华中科技大学与金山办公近日联合发布了一项重磅成果——MonkeyOCR。该工具采用仅3B参数的轻量化模型，将文档识别技术的行业标准提升至全新高度。在性能表现上，它甚至超越了参数规模高达720亿的巨型模型，实现了“以小博大”的技术突破。
核心亮点集中体现在以下几个方面：
传统OCR方案要么沿用模块化流水线，步骤繁琐且效率低下；要么依赖大模型进行全页解析，计算成本高昂。MonkeyOCR则另辟蹊径，提出了SRR（结构-识别-关系）三元组范式，有效绕开了既有技术瓶颈。这款3B轻量化模型在公式识别上提升了15%，表格解析提升了8.6%——看似微小的百分点，在复杂文档处理这一“刀尖上跳舞”的任务中，却代表着质的飞跃。
实测数据更为硬核。在英文文档解析任务中，MonkeyOCR直接登顶榜首，处理速度达到竞品的7倍，每秒可处理0.84页。无论是金融合同、学术论文，还是跨语言文档，MonkeyOCR的表现均十分亮眼。这才是真正的技术红利——并非一味堆砌参数，而是通过更聪明的架构解决问题。
实测验证：横扫OmniDocBench九类文档测试
为验证MonkeyOCR的真实能力，研究团队将其置于OmniDocBench文档解析基准上进行严格测试。该基准涵盖981页PDF文档，包含9种文档类型、4种版式风格、3种语言类别，全面模拟了真实场景中的各种复杂情况。
实测结果显示，MonkeyOCR无论在开源阵营还是闭源方案中，均展现出令人信服的表现。其创新的SRR三元组范式，在复杂文档处理上实现了质的飞跃。下图为OmniDocBench多任务端到端评测结果（注：*表示采用MonkeyOCR团队自主训练的中文版式检测优化模型）。
九类文档测评：中文优化版以44.9%优势刷新纪录
研究团队针对九类文档展开的系统评估数据，充分体现了MonkeyOCR的跨文档泛化能力。在全部九类文档解析任务中，MonkeyOCR均展现出最优的综合性能，其中在六类文档上实现了最高的端到端识别准确率。值得关注的是，这款仅3B参数的轻量化模型，整体准确率比InternVL3-8B提升了5%，比MinerU也高出3.3%。
最难攻克的是报纸类文档解析——高密度、复杂版式的场景一向是OCR的痛点。但MonkeyOCR硬是拿出了4%的显著优势，超越了此前业界最优的MinerU系统。研究团队特别指出，经过中文处理能力专项优化后，MonkeyOCR*在笔记类文档上的解析精度较基础版本大幅提升了44.9%，直接创下该领域的新性能标杆。下表为OmniDocBench九类PDF文档端到端文本识别性能评估结果（注：*表示采用研究团队专项训练的中文版式检测优化模型）。
小模型大能量：英语解析超越720亿参数大模型
模型规模真的决定一切吗？MonkeyOCR用实际结果给出了响亮回答。
在OmniDocBench基准上，研究团队对比了开源大模型和闭源商业方案，实验结果充分说明问题：
- 英语文档场景下，3B参数的MonkeyOCR以7.4%的优势直接超越720亿参数的Qwen2.5-VL-72B，甚至比Gemini 2.5 Pro还领先0.8%。
- 中文文档方面，Gemini 2.5 Pro暂时占优，表明MonkeyOCR在中文场景仍有优化空间。
由此可得出几个关键结论：
- 这是首次验证轻量化模型可在特定任务上完胜千亿参数大模型。
- 英语文档上7.4%的显著优势，直接打破了“参数规模决定性能”的固有认知。
- 中文解析已被明确列为后续重点优化方向。
示例代码
1. 下载代码仓库，并安装依赖设置环境
conda create -n MonkeyOCR python=3.10
conda activate MonkeyOCR
git clone https://github.com/Yuliang-Liu/MonkeyOCR.git
cd MonkeyOCR
# Install pytorch, see https://pytorch.org/get-started/previous-versions/ for your cuda version
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu124
pip install -e .2. 创建模型，并从HuggingFace上加载预训练权重
pip install huggingface_hub
python tools/download_model.py3. 设置参数，调用模型进行推理
# Make sure in MonkeyOCR directory
python parse.py path/to/your.pdf
# or with image as input
pyhton parse.py path/to/your/image
# Specify output path and model configs path
python parse.py path/to/your.pdf -o ./output -c config.yaml