3B小模型吊打72B巨头！轻量级文档视觉OCR，性能超Gemini，高效且精准!(附源码)
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
以下文章来源于微信公众号：开源星探
作者：痕小子
链接：https ://mp. weixin.qq. com/s/KSbpTyQSUgFStTrtEiftNQ
本文仅用于学术分享，如有侵权，请联系后台作删文处理
导读
本文为大家介绍轻量级文档解析模型MonkeyOCR，它兼具高效性与准确性。MonkeyOCR以3B参数规模在英文文档解析中超越多个大型模型，支持中英文多文档类型解析，且处理速度显著领先，性能更是超越Gemini。
在文档解析领域，传统方法要么依赖复杂多工具流水线，要么受限于大型多模态模型的低效性。
近日，Yuliang-Liu团队在GitHub上开源了一款轻量级基于LLM的文档解析模型：MonkeyOCR。
GitHub项目地址：https ://github. com/Yuliang-Liu/MonkeyOCR
它以创新的“结构-识别-关系”（SRR）三元组范式，实现了高效且精准的文档解析。其3B参数模型在英文文档解析任务中超越了Gemini2. 5Pro和Qwen2.5-VL-72B。
在对多页文档解析场景下，处理速度达每秒0. 84页，显著优于MinerU（0. 65页/秒）和Qwen2. 5-VL-7B（0. 12页/秒）。
•SRR三元组范式：结构检测（YOLO布局分析）、内容识别（Qwen-VL文本提取）、关系预测（逻辑排序）。
•轻量高效：3B参数在英文文档解析上超Gemini2. 5Pro和Qwen2.5-VL-72B。
•超快速度：多页解析0. 84页/秒，超MinerU（0. 65页/秒）和Qwen2. 5-VL-7B（0. 12页/秒）。
•中英文支持：适配MonkeyDoc数据集，覆盖10+文档类型（如论文、发票、报表）。
•结构化输出：生成markdown或json结构化数据，便于下游处理。
MonkeyOCR的安装和使用简单，只需按照以下步骤进行即可。
①项目下载及环境部署，安装依赖
②从Huggingface或ModelScope下载权重模型
③推理
④启动在线GradioDemo
MonkeyOCR的轻量设计和SRR范式让它适用于多种场景，直击文档处理痛点：
•企业文档处理：解析发票、报表、合同，提取表格和文本，自动化数据录入。
•学术研究：处理论文PDF，提取公式和图表，加速文献分析。
•数据提取：从多页PDF中提取结构化信息，生成JSON，适配数据库。
•教育培训：解析教材PDF，提取题目和答案，生成学习资料。
•多语言支持：中英文文档无缝处理，适合跨国企业
MonkeyOCR以其轻量级设计和SRR三元组范式，为文档解析领域带来了新的“血液”。
其3B参数模型更是在英文文档解析中超越Gemini2. 5Pro和Qwen2.5-VL-72B，多页文档处理速度达0. 84页/秒，公式和表格识别分别提升15. 0%和8. 6%。
虽说支持各种类型中英文文档，但暂不支持照片类型输入。
希望未来能在照片文档支持、多语言扩展、实时处理、模型压缩等方面有持续优化。
欢迎加入《AI未来星球》，一起成长
扫描下方二维码即可加入~
真诚分享AI落地过程（AI商机->项目签约->算法开发->产品开发->实施运维）中的各方面经验和踩过的坑。
你可以获得什么？
1、大白之前花费10W+购买，AI行业各场景私有数据集下载，星球内倾情分享；2、AI行业研发、产品、商业落地问题咨询（目前AI公司创业中），都可获高质量解答，有效期一年，无限次提问，有问必答。3、定期邀请AI行业各类嘉宾分享，创业/商业等方面的经验！
帮助你解决遇到的实际问题，升职加薪！
大家一起加油！
