MonkeyOCR：小参数多模态文档解析模型

解析复杂版面 PDF，模块化 OCR 链条繁琐，通用多模态大模型效率又不高。MonkeyOCR 是基于轻量多模态大模型的文档解析模型，论文已被《中国科学：信息科学》接收。它按「结构—识别—关系」三步解析 PDF 或图片，生成 Markdown、版面标注 PDF 和块级 JSON。GitHubDaily 在 2025 年 6 月推荐过它；仅就 OmniDocBench 而言，README 称其中英文成绩超过 Gemini 2.5 Pro、GPT-4o 等更大模型。

核心功能

• SRR 三元范式：版面检测、内容识别、顺序预测三步走，替代多工具流水线。
• 双规格模型：pro-3B 与更轻的 pro-1.2B，README 称后者速度快约 36%、性能差距约 1.6%。
• 中英文档：评测覆盖论文、财报、试卷、杂志等九类页面。
• 本地部署：Gradio、FastAPI、Docker、AWQ 量化，本地 GPU 推理，无外部 API 依赖。

典型使用场景

• 含大量公式的论文、教材 PDF 批量转成 Markdown。
• 财报、报纸等多栏版面的结构化提取与阅读顺序还原。
• 把解析服务化，批量产出 RAG 语料。

快速上手

1. 环境安装见 docs/install_cuda_pp.md；
2. 下载权重并解析：

python tools/download_model.py -n MonkeyOCR-pro-3B
python parse.py input_path

小结

适合要在本地解析中英文 PDF 的开发者、科研与数据团队，尤其适合 RAG 备料。注意：源码采用 Apache 2.0，但 v1 权重仅用于学术研究与非商业评估，商用需书面授权；推理需 NVIDIA GPU，部分显卡 Docker 镜像需修补；拍照、手写、繁体与多语种支持尚不完整；2026 年 7 月另有 v2，本仓库为 v1 主线、仍在维护。整体看，它是一套可控、可本地部署的文档解析方案。