看到這個(gè)標(biāo)題，你可能會(huì)想"又一個(gè)號(hào)稱吊打GPT的模型"。但這次不一樣，華中科技大學(xué)真的搞出了點(diǎn)名堂。

前幾天，華科和金山辦公聯(lián)合開(kāi)源了一個(gè)叫MonkeyOCR的文檔解析模型。聽(tīng)名字挺可愛(ài)，但實(shí)力可不含糊。

圖片

這個(gè)只有3B參數(shù)的小模型，在文檔解析任務(wù)上竟然超越了GPT-4o、Gemini 2.5 Pro這些巨頭的產(chǎn)品。

我特意去試了試他們的在線demo，確實(shí)有兩把刷子。

圖片

最讓我印象深刻的是它處理公式的能力。你知道，數(shù)學(xué)公式一直是OCR的老大難問(wèn)題，那些復(fù)雜的分式、積分符號(hào)，傳統(tǒng)OCR經(jīng)常識(shí)別錯(cuò)。但MonkeyOCR在公式識(shí)別上比MinerU提升了15%，這個(gè)進(jìn)步挺明顯的。

表格處理也很出色。我測(cè)試了幾張復(fù)雜的財(cái)務(wù)報(bào)表，它不僅能準(zhǔn)確識(shí)別表格內(nèi)容，還能保持原有的結(jié)構(gòu)關(guān)系。相比之下，很多工具要么識(shí)別不準(zhǔn)，要么把表格結(jié)構(gòu)搞亂了。

從技術(shù)角度看，MonkeyOCR創(chuàng)新在于它的SRR三元組設(shè)計(jì)。簡(jiǎn)單說(shuō)就是把文檔解析分成三個(gè)問(wèn)題："Where is it?"（結(jié)構(gòu)檢測(cè)）、"What is it?"（內(nèi)容識(shí)別）、"How is it organized?"（關(guān)系理解）。

這種設(shè)計(jì)很聰明。傳統(tǒng)pipeline方法容易累積錯(cuò)誤，端到端大模型又太笨重。MonkeyOCR找了個(gè)平衡點(diǎn)，既保證精度又控制了計(jì)算開(kāi)銷。

整體表現(xiàn)上，MonkeyOCR比MinerU平均提升了5.1%，在公式識(shí)別上提升15%，表格處理上提升8.6%。

更關(guān)鍵的是效率。MonkeyOCR處理多頁(yè)文檔的速度是0.84頁(yè)/秒，MinerU是0.65頁(yè)/秒，而Qwen2.5-VL-7B只有可憐的0.12頁(yè)/秒。

這意味著什么？如果你要處理100頁(yè)的PDF，MonkeyOCR只需要2分鐘，而Qwen需要14分鐘。在實(shí)際應(yīng)用中，這種速度差異是致命的。

圖片

還有一個(gè)細(xì)節(jié)讓我挺驚喜：這個(gè)3B的模型可以在單張RTX 3090上跑。要知道，現(xiàn)在動(dòng)不動(dòng)就幾十GB的大模型，普通人根本跑不起來(lái)。MonkeyOCR這種"小而美"的設(shè)計(jì)，讓更多開(kāi)發(fā)者能夠?qū)嶋H使用。

當(dāng)然，也不是完美的。我在測(cè)試中發(fā)現(xiàn)，對(duì)于一些非常規(guī)排版的文檔，比如古籍或者手寫體，識(shí)別效果還是有限的。不過(guò)這也正常，畢竟這些場(chǎng)景的數(shù)據(jù)相對(duì)稀少。

從訓(xùn)練數(shù)據(jù)看，團(tuán)隊(duì)構(gòu)建了MonkeyDoc數(shù)據(jù)集，包含390萬(wàn)個(gè)實(shí)例，覆蓋十多種文檔類型。這個(gè)數(shù)據(jù)規(guī)模在文檔解析領(lǐng)域算是相當(dāng)不錯(cuò)了。

華科在AI視覺(jué)這塊確實(shí)有兩把刷子。

他們之前的TextMonkey、Mini-Monkey都在OCR領(lǐng)域有不錯(cuò)的表現(xiàn)。這次的MonkeyOCR可以看作是這個(gè)系列一個(gè)重要迭代，技術(shù)越來(lái)越成熟了。

對(duì)于想要部署文檔解析服務(wù)的公司來(lái)說(shuō)，MonkeyOCR提供了一個(gè)很有吸引力的選擇。既有不錯(cuò)的精度，又能控制成本，訓(xùn)練也只需要8張RTX 3090，門檻不算太高。

項(xiàng)目已經(jīng)開(kāi)源，GitHub上已經(jīng)有2.5K的star了。代碼、模型都能免費(fèi)下載，還提供了在線demo可以直接測(cè)試。

只是有一點(diǎn)要注意，在線demo對(duì)大圖片的處理似乎有些bug，測(cè)試時(shí)候最好控制下圖片尺寸。

總的來(lái)說(shuō)，MonkeyOCR是個(gè)不錯(cuò)的開(kāi)源項(xiàng)目，特別是對(duì)于需要高效文檔解析的場(chǎng)景。雖然不敢說(shuō)真的"吊打"所有商業(yè)產(chǎn)品，但確實(shí)在某些方面有自己的優(yōu)勢(shì)。