Primäre Verwendung angegeben oder vorsichtig aus offizieller Dokumentation abgeleitet.
T
TENCENT / tencent/Youtu-Parsing-Omni
Youtu-Parsing-Omni
Multimodales Tencent-Modell mit 5 Milliarden Parametern, am 9. Oktober 2026 auf Hugging Face veröffentlicht. Es analysiert Seiten, Bilder, Diagramme, Geometrie, Audio und Video und erzeugt strukturierten Text in einer OmniSchema-JSON-Hülle. Es generiert keine Bilder, Musik oder Videos. Ein gemeinsamer Encoder verarbeitet die Modalitäten vor dem Decoder; die Aufgabe bestimmt Schema und extrahierte Elemente.
01 / ZUSAMMENFASSUNG
Das Wesentliche
Maximale Eingabekapazität bei Veröffentlichung durch die Quelle.
Dokumentierte maximale Erzeugungsgrenze.
Verifizierte Verfügbarkeitskanäle.
Primäre Funktionsfamilie und verifizierte Spezialisierungen.
Deklarierte Bedingungen für API, Gewichte oder Self-Hosting.
02 / TECHNISCHES DATENBLATT
Limits und Integration
| API-ID | tencent/Youtu-Parsing-Omni |
|---|---|
| Modelltyp | Multimodal · OCR und Dokumente · Sprache und Audio · Video |
| Zugangsmodell | Eingeschränkte Gewichte |
| Lizenz | Youtu-Parsing License · territoriale EU-Einschränkung |
| Einsatz | Eigener Betrieb mit vLLM und Plugin |
| Veröffentlichung | 09 OKT. 2026 |
| Wissensstichtag | Nicht veröffentlicht |
| Eingang | Text · Bild · Audio · Video |
| Ausfahrt | Text · JSON |
| Kontextfenster | 65.536 Tokens im Serving-Beispiel |
| maximale Leistung | Nicht veröffentlicht |
| Argumentation | Nicht veröffentlicht |
| Veröffentlichte Tools | |
| Strukturierte Ausflüge | OmniSchema JSON |
| Stapelverarbeitung | Nicht veröffentlicht |
| Prompt-Cache | Nicht veröffentlicht |
| Feinabstimmung | Nicht veröffentlicht |
| Verifizierte Plattformen | Hugging Face · vLLM · Transformers |
OCR, Tabellen, Formeln, Lesereihenfolge, Geometrie, Transkription und audiovisuelle Segmentierung mit Zeitstempeln. Die Ausgabe kann Markdown, LaTeX, Mermaid, Begrenzungsboxen und Beschreibungen enthalten. Das Serving-Beispiel setzt 65.536 Tokens sowie acht Bilder, vier Videos und acht Audioeingaben pro Prompt; das sind Beispieleinstellungen, keine allgemeine Garantie für den maximal trainierten Kontext.
Die Youtu-Parsing-Lizenz enthält eine ausdrückliche territoriale Einschränkung: Das Modell ist nicht für die Nutzung innerhalb der Europäischen Union vorgesehen. Wir beschreiben es weder als Apache 2.0 noch als uneingeschränkt. Dieses Profil dient der Information; die Gewichte wurden weder heruntergeladen noch ausgeführt. Prüfe Lizenz, Remote-Code, lokale Medienberechtigungen und personenbezogene Daten vor einer zulässigen Bereitstellung.
03 / FÄHIGKEITEN
Was es kann
Orientierung
OCR, Tabellen, Formeln, Lesereihenfolge, Geometrie, Transkription und audiovisuelle Segmentierung mit Zeitstempeln. Die Ausgabe kann Markdown, LaTeX, Mermaid, Begrenzungsboxen und Beschreibungen enthalten. Das Serving-Beispiel setzt 65.536 Tokens sowie acht Bilder, vier Videos und acht Audioeingaben pro Prompt; das sind Beispieleinstellungen, keine allgemeine Garantie für den maximal trainierten Kontext.
Kontext
65.536 Tokens im Serving-Beispiel · Nicht veröffentlicht
Tools und Integration
Nicht veröffentlicht
Zugang
Hugging Face · öffentliches Repository
Eingabemodalitäten
TextBildAudioVideo
04 / PREISE
Dokumentierte Kosten
| Konzept | Wert | Einheit/Zustand |
|---|---|---|
| Standardeingabe | Kein offizieller API-Preis veröffentlicht | Standardtarif der API |
| Eingabe aus dem Cache | Nicht veröffentlicht | Lesen wiederverwendeter Präfixe |
| Schreiben oder Speichern im Cache | Nicht veröffentlicht | Die Bedingung variiert je nach Anbieter |
| Standardausgabe | Kosten der eigenen Infrastruktur | Kann Reasoning-Tokens enthalten |
| Batch-Eingabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
| Batch-Ausgabe | Nicht veröffentlicht | Asynchrone Verarbeitung |
Für diesen Checkpoint sind weder gehostete kommerzielle API noch öffentliche Tokenpreise verifiziert. Numerische Kosten bleiben leer. Eigener Betrieb erfordert GPUs, Abhängigkeiten und das vLLM-Plugin des Anbieters; öffentlich verfügbare Dateien beseitigen weder Kosten noch territoriale Einschränkungen. Der Evaluationscode ist noch nicht veröffentlicht; vollständige Reproduktion des Testsystems wird nicht zugesagt.
i Die Preise ändern sich und können von Level, Region oder Kontextlänge abhängen. Überprüfen Sie die Quelle, bevor Sie eine Entscheidung treffen.
05 / BEWERTUNGEN
So lesen Sie die Ergebnisse
“
Tencent nennt OmniDocBench v1.6 Overall 96,96 und einen OmniParsingBench-Durchschnitt von 75,08. Auch ChemOCR- und PDMX-Synth-Metriken sind veröffentlicht; Namen und Bewertungsrichtung bleiben erhalten: kleinere Fehlerraten sind besser. Das sind Anbieterergebnisse, keine von Inferama ausgeführten Tests. Gültiges JSON garantiert keine korrekte Extraktion; prüfe Lesen, Koordinaten, Zeiten, Auslassungen und Halluzinationen mit menschlicher Kontrolle.
| Benchmark | Ergebnis | Metrik | Quelle |
|---|---|---|---|
| OmniDocBench v1.6 Overall | 96,96 | Punktzahl | Quelle öffnen ↗ |
| OmniParsingBench Average | 75,08 | Punktzahl | Quelle öffnen ↗ |
| ChemOCR Average Similarity | 74,6 | Mittlere Ähnlichkeit | Quelle öffnen ↗ |
| ChemOCR Tani@1.0 | 54,2 | Tani@1.0 | Quelle öffnen ↗ |
| PDMX-Synth CER | 22,73 | CER | Quelle öffnen ↗ |
| PDMX-Synth SER | 26,73 | SER | Quelle öffnen ↗ |
| PDMX-Synth LER | 33,20 | LER | Quelle öffnen ↗ |
Inferama hebt nur dann ein „bestes Ergebnis“ hervor, wenn Metrik, Testsatz, Konfiguration und Datum einen gleichwertigen Vergleich ermöglichen. Die Zahlen des Lieferanten werden als Angaben aus eigener Quelle dargestellt.
06 / VERSIONEN
Chronologie
Youtu-Parsing-Omni
Verifizierte öffentliche Veröffentlichung des 5B-Checkpoints. Ausgabe ist JSON, keine generierten audiovisuellen Inhalte.
07 / QUELLEN