Tencent, belgeyi, sesi ve videoyu tek JSON çıktısına çeviren Youtu-Parsing-Omni'yi yayımladı

Tencent, 9 Ekim 2026'da Hugging Face'te Youtu-Parsing-Omni adlı modeli yayımladı. Model, farklı türde girdileri okuyup içlerindeki bilgiyi tek bir yapılandırılmış JSON çıktısına dönüştürüyor: belge sayfaları, fotoğraflar, grafikler, akış şemaları, geometri çizimleri, ses kayıtları ve videolar. Bu tür modellere belge ayrıştırma (parsing) modeli deniyor; taranmış bir sözleşmeyi, bir faturayı ya da bir toplantı kaydını yazılımların doğrudan işleyebileceği düzenli veriye çevirmek için kullanılıyor. Model yaklaşık 5 milyar parametreli ve Tencent'in Youtu ekibinin kendi geliştirdiği kodlayıcı ile Youtu-LLM dil modeli üzerine kurulu.

Model kartındaki bilgilere göre çıktı her zaman tek bir JSON bloğu. Görsellerde sayfa düzeni, metin, tablolar, formüller ve her öğenin sayfadaki konumu kutu koordinatlarıyla veriliyor; ses ve videoda ise zaman damgalı bölümler, konuşmanın yazıya dökümü, ekrandaki yazılar, ses olayları ve kamera hareketi yer alıyor. Her çıktıda içeriği özetleyen genel bir açıklama da bulunuyor. Hangi tür çıktının üretileceği, göreve göre seçilen istemle belirleniyor.

Şirketin tablosunda belge testinde ilk sırada

Tencent'in paylaştığı tabloya göre Youtu-Parsing-Omni, belge ayrıştırma testi OmniDocBench v1.6'da 96,96 genel puanla ilk sırada; aynı tabloda PaddleOCR-VL-1.6 96,34, MinerU2.5-Pro 95,75, Gemini-3-Pro 92,91 ve GPT-5.2 86,59 puan alıyor. Belge, grafik, geometri, fotoğraf, ses ve videoyu birlikte ölçen OmniParsingBench'te ise 75,08 ortalamayla Gemini-3-Pro'nun 77,44'lük sonucunun ardından ikinci geliyor ve açık modeller arasında en yüksek puanı alıyor. Kimya formüllerini okuyan ChemOCR ve nota kağıtlarını okuyan PDMX-Synth testlerinde de sonuçlar paylaşıldı.

Çalıştırma ve lisans

Tencent, modeli kendi hazırladığı vLLM eklentisiyle sunucu olarak çalıştırmayı öneriyor; bunun için CUDA destekli bir ekran kartı, ses ve video için de ffmpeg gerekiyor. Model Transformers ile de kullanılabiliyor, ancak bu yol modelle gelen kodu çalıştıran trust_remote_code seçeneğini gerektiriyor; model kartı incelenmiş belirli bir sürümün sabitlenmesini öneriyor. Teknik rapor GitHub deposunda yer alıyor.

Model dosyaları indirilebiliyor, ancak model "Youtu-Parsing" adlı özel bir lisansla yayımlandı. Lisans metni, modelin Avrupa Birliği içinde kullanım için tasarlanmadığını belirtiyor ve bu maddenin diğer hükümlerle çelişki halinde geçerli olacağını söylüyor. Türkiye'deki kurumların kullanım öncesinde lisans koşullarını kendi durumlarına göre değerlendirmesi gerekiyor.

Paylaşılan tüm karşılaştırmaları Tencent yaptı; şirket değerlendirme kodunu henüz yayımlamadı; kod "yakında" olarak listeleniyor. Türkçe belgelerde nasıl sonuç verdiğine dair bir bilgi bulunmuyor, bu yüzden kendi belgelerinizle denemek iyi olur. Sonuçları farklı açılardan görmek için bağımsız araştırmacıların değerlendirmelerini de takip edin.

Kaynaklar: Hugging Face: Youtu-Parsing-Omni model kartı, GitHub: Youtu-Parsing, Youtu-Parsing lisans metni.