Nemotron 3.5 Parse

Nemotron 3.5 Parse

读取扫描件、PDF、幻灯片和表单的页面图像，返回其中的文字、表格、图表数据、阅读顺序和边框，输出为 Markdown、HTML 或 JSON。NVIDIA 推出的 631M 参数模型，面向开发者。

由 nvidia 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Nemotron 3.5 Parse 是 NVIDIA 的 631M 参数模型，把文档页面图像转成结构化数据。从一张页面图像里，它给出文字、表格、图表背后的数据、阅读顺序、每个区域的标签和围住每个区域的框。你可以把结果导出为 Markdown、HTML 或结构化 JSON。

适合谁：构建文档处理流水线、需要把页面图像变成代码可用数据的开发者。

Industry | Who uses it | How they use it | Example
文档处理 | 流水线开发者 | 把扫描件和 PDF 转成结构化数据 | 一份扫描报告转成 Markdown
金融与商业 | 分析师和数据团队 | 从报告中提取表格和图表数据 | 报告页里的一张表变成结构化输出
行政 | 后台团队 | 读取表单和混合版式 | 一张填好的表单被读成字段
演示文稿 | 内容团队 | 把幻灯片读成文字和版式 | 按阅读顺序排列的幻灯片文字

如果你只需要用眼睛看一份文档，或者没有 GPU，可以跳过它。

用在哪里：

• 在带 CUDA GPU 的机器上用 Python 和 transformers 库，如卡片示例所示
• vLLM 服务器，卡片介绍它可加快生成
• NVIDIA Build API 和 Baseten，卡片把它们列为托管选项

Use case | Who | What they get back
扫描件和 PDF | 开发者 | 每一页的文字、表格和阅读顺序
报告中的图表 | 分析师 | 从页面图像里提取出的图表数据
页面版式 | 流水线构建者 | 每个区域的边界框和语义类别

如何设置：

• Python，最好在全新的虚拟环境里
• transformers、torchvision 和 timm 这几个包
• 卡片的 transformers 示例需要 CUDA GPU
• F32 约需 2.5 GB 磁盘空间，4-bit 约 315 MB（估算值）

1. 创建并激活一个全新的 Python 环境。
2. 安装这些包。
3. 把页面图像存为 page.png，运行 Python 示例。

python -m venv .venv
source .venv/bin/activate
python -m pip install transformers torchvision timm

你也可以单独用 Hugging Face 工具取回文件。

pip install -U huggingface_hub
hf download nvidia/Nemotron-3.5-Parse

如何使用：对一张页面图像运行这个示例。它加载模型，连同任务提示词发送一页，并打印原始输出。请保留原始输出里的控制标记，因为后续的后处理需要它们。

import torch
from PIL import Image
from transformers import AutoModel, AutoProcessor, GenerationConfig

MODEL = "nvidia/Nemotron-3.5-Parse"
TASK_PROMPT = "</s><s><predict_bbox><predict_classes><output_markdown><predict_text_in_pic>"

model = AutoModel.from_pretrained(
    MODEL, trust_remote_code=True, dtype=torch.bfloat16,
).to("cuda").eval()
processor = AutoProcessor.from_pretrained(MODEL, trust_remote_code=True)
image = Image.open("page.png").convert("RGB")
inputs = processor(
    images=[image], text=TASK_PROMPT,
    return_tensors="pt", add_special_tokens=False,
).to("cuda")
generation = GenerationConfig.from_pretrained(MODEL)
generation.max_new_tokens = 8744

with torch.inference_mode():
    output_ids = model.generate(**inputs, generation_config=generation)
raw_output = processor.batch_decode(output_ids, skip_special_tokens=False)[0]
print(raw_output)

Tool | What it does
文字提取 | 读取页面图像上的文字
表格 | 返回表格内容
图表数据 | 从图表中提取数据
阅读顺序 | 按人阅读的顺序排列页面内容
语义类别 | 给页面的每个区域贴上标签
边界框 | 给出每个区域的位置

示例：你把一页扫描报告存成 page.png，并运行上面的脚本。模型打印出原始输出，里面有这一页的文字、表格和每个区域的边框，后处理再把它变成 Markdown 或 JSON。

新手与专家：如果你是新手，先试试卡片列出的 NVIDIA Build API，再去搭 GPU 环境。上传一页清晰的页面，看看返回的 Markdown。

它有 631M 参数。另有一个更小的可选辅助模型，89.3M 参数，名为 DFlash2，用 vLLM 提供服务时可以加快生成。在三遍解析的 ParseBench 上，卡片给它 75.20 分，并称这是它所比较的系统中的最高分。它还列出了对 163 个语言和文字条目的评测。这些数字都是 NVIDIA 自己给出的。

把文档页面存成图像
连同任务提示词发送
模型返回文字、表格和边框
后处理成 Markdown、HTML 或 JSON

注意事项：

• 硬件：transformers 示例会把模型放到 CUDA GPU 上
• 基准测试：这些数字来自 NVIDIA 自己的对比，请在你自己的页面上核对
• 输入：它读的是页面图像，所以 PDF 需要先渲染成图像
• License: openmdw-1.1
• Cost to run: 本地示例不需要密钥，托管的 NVIDIA Build API 和 Baseten 选项只提了名字，没有价格
• Data it reaches: 本地示例读取你提供的图像文件，而托管选项会把你的页面图像发送给那个服务
• Not for: 读取你无权处理的文档，因为页面可能含有私人数据

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：631M
• Weights: about 2.5 GB in F32; about 315 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：23,202
• 点赞：161
• 许可证：openmdw-1.1
• Quantized versions: 8
• Fine-tunes: 6
• 标签：transformers, safetensors, nemotron_parse, text-generation, parse, image-text-to-text, conversational

链接

• 模型：https://huggingface.co/nvidia/Nemotron-3.5-Parse
• 文件：https://huggingface.co/nvidia/Nemotron-3.5-Parse/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download nvidia/Nemotron-3.5-Parse

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。