狂揽2.6k stars，MonkeyOCR-3B在英文文档解析任务上超越72B模型，性能达SOTA

作者：昭昭

编辑：李宝珠，yudi

转载请联系本公众号获得授权，并标明来源

MonkeyOCR 在处理复杂文档（如包含公式和表格的文档）时表现出色，在公式和表格解析任务上的表现分别提升 15.0% 和 8.6%。

如今，OCR（光学字符识别）技术早已不再局限于文字识别，而正逐步演化为更复杂的文档解析系统。从最初的简单字符提取，到近年来兴起的多模态大模型，OCR 已融入了版面理解、语义识别与结构还原等任务，在文档识别、字幕识别、物流分拣、文献资料检索等领域广泛落地，而丰富的应用场景之下也对模型提出了更加严苛的要求。

例如，传统 OCR 模型大多采用模块化设计，需要将文档解析工作分解为多个细粒度子任务，效率低下且难以统一优化；端到端大模型虽强，但对资源要求极高，难以普适化落地；由文本、表格、数学表达式、嵌入式图形等多元素所构成复杂文档仍是准确率的「硬伤」……

针对于此，华中科技大学联合金山办公推出了一款名为 MonkeyOCR 的文档解析模型，能够高效地将非结构化文档内容转换为结构化信息。在 SRR 范式下，文档解析被抽象为 3 个基本问题：在哪里（structure）？是什么（recognition）？如何组织（relation）？分别对应版面分析、内容识别和逻辑排序。这种明确的任务分解在精度与速度之间实现了平衡，支持高效且可扩展的处理能力，同时保证精度不打折。

为了给模型提供足够的数据支持，研究团队构建了一个名为 MonkeyDoc 的数据集，这是迄今为止最全面的文档解析数据集，包含 390 万个实例，涵盖多种文档类型（如笔记、PPT、杂志、试卷等），同时还详细标注了各种结构分块（表格、图像、文本、公式等）。

根据研究团队的实验结果，MonkeyOCR 在处理复杂文档（如包含公式和表格的文档）时表现出色，在公式和表格解析任务上的表现分别提升 15.0% 和 8.6%。在多页文档处理速度上也远超其他模型，达到每秒 0.84 页。

值得一提的是，在英文文档解析任务上，其 3B 参数模型超越了主流 72B 模型，平均性能达 SOTA 级别。如今，MonkeyOCR 发布仍不足 1 个月，其 GitHub stars 数量已达 2.6k。

「MonkeyOCR：基于结构-识别-关系三元组范式的文档解析」已上线至 HyperAI超神经官网（hyper.ai）的「教程」板块，快来体验吧 ⬇️

教程链接：

https://go.hyper.ai/Llixk

Demo 运行

1.进入 hyper.ai 首页后，选择「教程」页面，并选择「MonkeyOCR：基于结构-识别-关系三元组范式的文档解析」，点击「在线运行此教程」。

2.页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

3.选择「NVIDIA GeForce RTX 4090」以及「PyTorch」镜像，OpenBayes 平台提供了 4 种计费方式，大家可以按照需求选择「按量付费」或「包日/周/月」，点击「继续执行」。新用户使用下方邀请链接注册，可获得 4 小时 RTX 4090 + 5 小时 CPU 的免费时长！

HyperAI超神经专属邀请链接（直接复制到浏览器打开）：

https://openbayes.com/console/signup?r=Ada0322_NR0n