Dolphin-v2：把文档中的代码、公式和表格分开识别

技术教材的一页里，正文可以连成段，代码的空格却不能随意合并，公式又需要另一种表达。Dolphin 当前主线 Dolphin-v2 把这几类内容分开处理：先确定页面里有哪些元素、按什么顺序阅读，再针对代码、表格和公式生成不同形式的内容。对整理教材的人来说，价值在于识别结果仍能保留各类材料自己的结构。

一段代码可以成为独立输入

官方元素级脚本接受一张元素图片，并提供 text、table、formula、code 四种类型。选择代码时，脚本使用 “Read code in the image.” 提示，结果归入 code 标签；公式和表格则使用各自提示。

可以用一个教学任务理解它：教材整页 OCR 已经得到正文，但其中的 Python 代码缩进丢了，就将那一块裁成图片，按代码类型单独识别。裁剪应包含完整代码块，保留其行首空间；输出是识别文本，不等于一段已经运行通过的程序。读者需要核对缩进、变量名和符号，之后才能把它放入编辑器。

当前模型卡明确将保留缩进列为代码解析的目标；公式对应 LaTeX，表格对应 HTML。这些格式表达的是不同关系：代码需要层级，公式需要数学结构，表格需要行列。把它们全部变成一长串普通文字，会提前丢掉后续编辑需要的信息。

整页解析如何把局部接回原页

如果材料没有现成裁剪，页面级流程会先预测阅读顺序，再按元素边界裁图。当前页面脚本把表格、公式和代码分组进行识别，随后依 reading_order 排回顺序。每块结果保留 label、bbox、text 和顺序信息；图片则单独保存，并在结果里留下引用。

这让教材整理不必只保留一份最后的 Markdown。比如正文已能阅读，只有某个公式可疑，可以根据元素位置回看原页。多页 PDF 会先转成页面图像，再在合并结果中记录页码和元素。局部重做与整页输出因此能衔接，但“只重新识别某块并自动覆盖旧文件”的编辑界面仍需自己实现。

Dolphin-v2 还区分数字文档与拍照文档：数字页适合按元素并行，拍照页使用整体解析策略处理变形。代码中也有布局异常或框重叠较多时回退整页的逻辑。因此不能假定所有输入最后都会得到同样细的元素分块。

先确认型号与许可，再考虑采用

当前仓库已将主线切到 3B 的 Dolphin-v2，早期 0.3B 和 1.5 版本放在旧分支。模型卡标注中文、英文，不能据此推断歪斜拍照、细小字或复杂代码都已识别可靠。

许可尤其不能只看某个脚本。推理脚本带 MIT 标记，但仓库根 LICENSE为 Qwen RESEARCH LICENSE AGREEMENT，写有非商业用途及商业使用另行申请条件。准备嵌入商业教材服务时，应先取得适用模型和组成部分的明确授权。对研究与资料整理而言，可以先沿元素图片入口理解它的产物，再决定是否需要整页解析；重点是把难编辑的局部恢复成适合继续处理的结构。