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

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

pip install huggingface_hub
python download_model.py
# or
pip install modelscope
python download_model.py -t modelscope

③ 推理

# 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

# 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：https://github.com/Yuliang-Liu/MonkeyOCR