3B小模型吊打72B巨头!轻量级文档解析OCR,性能超Gemini,高效且精准!

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

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Gemini 2.5 Pro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)。

亮点功能

  • 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Gemini 2.5 Pro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。

安装与部署

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

bash 复制代码
conda create -n MonkeyOCR python=3.10
conda activate MonkeyOCR

git clone https://github.com/Yuliang-Liu/MonkeyOCR.git
cd MonkeyOCR

pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu124 
pip install .

② 从 Huggingface 或 ModelScope 下载权重模型

arduino 复制代码
pip install huggingface_hub
python download_model.py
# or
pip install modelscope
python download_model.py -t modelscope

③ 推理

bash 复制代码
# 确保在 MonkeyOCR 目录中
python parse.py path/to/your.pdf
# 指定输出路径和模型配置路径
python parse.py path/to/your.pdf -o ./output -c config.yaml

④ 启动在线Gradio Demo

ini 复制代码
# Prepare your env for gradio
pip install gradio==5.23.3
pip install pdf2image==1.17.0

# Start demo
python demo/demo_gradio.py

适用场景

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

写在最后

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Gemini 2.5 Pro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。

GitHub 项目地址:github.com/Yuliang-Liu...

相关推荐
wuk9983 小时前
基于MATLAB编制的锂离子电池伪二维模型
linux·windows·github
ai小鬼头5 小时前
AIStarter如何助力用户与创作者?Stable Diffusion一键管理教程!
后端·架构·github
天天扭码5 小时前
从图片到语音:我是如何用两大模型API打造沉浸式英语学习工具的
前端·人工智能·github
独立开阀者_FwtCoder7 小时前
【Augment】 Augment技巧之 Rewrite Prompt(重写提示) 有神奇的魔法
前端·javascript·github
极客悟道9 小时前
巧解 Docker 镜像拉取难题:无需梯子和服务器,拉取数量无限制
后端·github
独立开阀者_FwtCoder10 小时前
你用 Cursor 写公司的代码安全吗?
前端·javascript·github
T__TIII12 小时前
Dify 自定义插件
人工智能·github
小皮侠15 小时前
nginx的使用
java·运维·服务器·前端·git·nginx·github
汪汪队睡大觉7516 小时前
OpenAI-Kotlin文档详解
github
蛋黄蛋黄16 小时前
微信表情怎么在自己的项目使用微信表情?-> [开源仓库]wechat-emoji
前端·github