Die Aufbereitung von Dokumentenbildern ist aufgrund der komplexen Verflechtung verschiedener Elemente wie Textabschnitten, Abbildungen, Formeln und Tabellen herausfordernd. Aktuelle Ansätze entweder kombinieren spezialisierte Expertenmodelle oder generieren kontinuierlich Inhalte auf Seiten-Ebene autoregressiv, was trotz annehmbarer Leistung mit hohem Integrationsaufwand, Effizienzengpässen und einer Degradierung der Layoutstruktur einhergeht. Um diese Einschränkungen zu überwinden, stellen wir \textit{Dolphin} (\textit{\textbf{Do}cument Image \textbf{P}arsing via \textbf{H}eterogeneous Anchor Prompt\textbf{in}g}) vor, ein neuartiges multimodales Modell zur Dokumentenbild-Aufbereitung, das ein Analyse-erst-Aufbereitung-Paradigma verfolgt. Im ersten Schritt generiert Dolphin eine Sequenz von Layout-Elementen in Lese-Reihenfolge. Diese heterogenen Elemente dienen als Anker und werden zusammen mit themenspezifischen Prompten im zweiten Schritt parallel zur Inhalts-Aufbereitung an Dolphin zurückgegeben. Zur Schulung von Dolphin haben wir eine großskalige Datensammlung mit über 30 Millionen Samples aufgebaut, die mehrschichtige Aufbereitungsaufgaben abdeckt. Durch umfassende Evaluationen an etablierten Benchmark-Datensätzen sowie an selbst erstellten Datensätzen erreicht Dolphin state-of-the-art-Leistung in unterschiedlichen Szenarien auf Seiten- und Element-Ebene, wobei durch die leichtgewichtige Architektur und die parallele Aufbereitungsmechanik eine hervorragende Effizienz gewährleistet wird. Der Quellcode und vortrainierte Modelle sind öffentlich unter dieser https-URL verfügbar.