从 3B 的 MonkeyOCR，到 1.2B 的 MinerU、1.0B 的 HunyuanOCR、0.9B 的 PaddleOCR-VL 和 GLM-OCR，再到 0.7B、0.6B 的 MonkeyOCRv2金华塑料管材生产线，文档 OCR 正加快迈入小模子时间：模子越来越小，能上限却次次被再行界说。

△年多期间里，文档 OCR 从 3B 快速插足 0.xB 区间。

年前，3B 参数还不错被称为"轻量文档模子"。咫尺，这条线依然被到了 0.xB。

在障翳电子原生文档、拍照文档和 17 种言语的 MDPBench 上，MonkeyOCRv2-S 总参数唯有0.6B，拿到82.5 分；0.7B版块跳动达到83.3 分。此前排行的开源模子 dots.mocr 有3B参数，得分为80.5。榜单中体量小的两个模子，反而站到了开源恶果的前边。

这不是个常见的"鼎力出遗迹"故事。像是文档 OCR 在年之内，瞬息再行想光显了件事：模子不定要赓续变大，但每部分参数应知说念我方究竟阐扬什么。

华中科技大学白翔团队给出的阶梯，不是把 3B 模子机械裁成 0.7B，而是再行分派别统职责：让前熟察觉编码器先把字符、公式与版面看清，再让小的言语模子阐扬组织和贯串。

0.7B 反 3B，实在减少的并不仅仅参数，而是后端言语模子替前端"猜"的职责量。

这场松开，MonkeyOCR 先从我方身上开刀

期间回到 2025 年 6 月。代 MonkeyOCR 发布时，总参数为 3B。它莫得让个大模子重新到尾径直"看图写 Markdown "，而是把复短文档判辨拆成三个十分直不雅的问题：它在那处？它是什么？它们之间何如组织？

这三个问题分别对应结构检测、内容识别和关系瞻望。底本需要多个器具串联完成的任务，被整理为 Structure-Recognition-Relation，也等于 SRR 三元组。它的价值不仅仅个新结构，像是给模子写下了组陋劣明确的教导词：先找位置，再认内容，后复原阅读关系。

仅个多月后，团队又出 MonkeyOCR-pro-1.2B。官神气纪录披露，这个版块轻、快，并在部分准确率相比中过此前 3B 版块。也等于说，模子作念小并否则等于智商缩水；当任务被拆得充足明晰，好多底本堆在大模子里的参数可能并莫得被使用。

年后，MonkeyOCRv2 赓续把总参数压到 0.6B 和 0.7B。但此次，团队不是赓续拆解判辨经过，而是在 SRR 三个问题之前，再补上个基础的问题：你真实看清了吗？

△代 MonkeyOCR 用三个问题拆解判辨经过；MonkeyOCRv2 把问题跳动前移到视觉进口。榜单里小的两个模子，站到了上头

MDPBench 的开源模子列表，简直纪录了文档 OCR 快速变小的过程：3B 的 dots.mocr、1.2B 的 MinerU2.5-Pro、1.0B 的 HunyuanOCR-1.5、0.9B 的 PaddleOCR-VL 系列，再到 0.6B 和 0.7B 的 MonkeyOCRv2。

频繁情况下，模子越小，能越难保管。但在这张榜单上，0.6B 的 MonkeyOCRv2-S 得到 82.5 分，0.7B 的 MonkeyOCRv2-B 得到 83.3 分，反而过 3B 的 dots.mocr（80.5）。其中 0.7B 版块在拍照文档上达到 81.7，在非拉丁笔墨上达到 82.1，讲明势不单来自规整 PDF 或常见拉丁笔墨。

值得注重的是参数被放在了那处。MonkeyOCRv2-B 由 0.1B 视觉编码器和 0.6B 言语模子构成；dots.mocr 则简短是 1.2B 视觉编码器加 1.8B 言语模子。前者总参数不到四分之，视觉编码器唯有约十分之。

这并不是平日兴味上的"剪枝"。它像是再行画了遍模子的单干图：视觉端阐扬尽可能提供干净、竣工的页面凭据，言语端不再承担宽广补字、猜字和确立结构的职责。参数像预算，实在遑急的不是总数有多大，而是钱花在了那处。

△在 MDPBench 论文对比中，0.6B 和 0.7B 的 MonkeyOCRv2 占据开源恶果前两名。在三个问题之前，先问句：你真实看清了吗？

文档与平日像片有个根柢互异。识别只猫时，毛变化、姿态变化致使局部装潢，并不会改动"这是只猫"；当然图像模子需要学会忽略这些不影响卤莽的变化。

文档刚巧相悖。""和"玉"只差个点，可能对应不同的东说念主；o 与 0 仅仅宽比有区别，代表的是不同的涵义。条公式横线、处上标、个表格界限，齐可能径直改动谜底。

论文展示的个案例很直不雅：信息图上本色写着" 700,000 "，多种通用视觉编码器却读成了" 100,000 "。模子也许仍然贯串图片在讲组统计数据，但实在决定谜底的阿谁数字，依然在视觉进口处丢了。大言语模子再贤惠，也法准确理条我方从未收到的信息。

△页面上真实写着" 700,000 "，多种通用视觉编码器却把要津数字读成" 100,000 "。

MonkeyOCRv2 因此采纳两种互补的预西宾看法：图像到文本生成让模子学习"页面写了什么"金华塑料管材生产线，像素文档重建则要求视觉 Token 仍然保留足以复原字符笔画、公式标识和版面结构的信息。

用庸俗的话说，文本生成教模子贯串内容，重建则逼着它别太快健忘页面长什么样。这里的并不是让 OCR 系统终输出张重建图，而是通过重建西宾，让小的视觉编码器在压缩页面时少丢些实在决定谜底的细节。

模子不错小，但不可把极少点、笔画和阅读限定也起"瘦"掉。

给 0.1B 的"眼睛"，喂亿张文档，并把西宾资源摆到各人桌面

小视觉编码器之是以敢承担重的任务，底气来自西宾数据。团队构建的 MonkeyDoc v2 包含 1.13 亿张文档图像，障翳 17 种言语；其中 800 万张是竣工页面，另外 1.05 亿个是笔墨、表格、公式等细粒度文档元素。数据中约 6100 万来自真实全国文档，5200 万为成样本。

竣工页面阐扬教模子贯串版面、阅读限定和跨区域关系；编订元素则提供字符、公式与表格别的密集监督。这些样本也不仅仅规整扫描件，还包括论文、册本、报刊、财务申诉、网页、手写条记、历史笔墨和拍照文档。

17 种言语也不是把同套版式翻译 17 遍。阿拉伯语要从右向左阅读，汉文页面可能包含竖排、密集字段和复杂表格，不同笔墨系统帅有不同的字形、阅读向和文档生态。模子要学的不仅仅多字符，而是多种"页面何如缔造"的式。

△MonkeyDoc v2 由 800 万张竣工页面和 1.05 亿个细粒度元素构成，障翳 17 种言语。

△17 种言语对应不同字体、阅读向和真实文档方式，而不是同种模板的多言语翻译。

团队开源了这套亿的文档图像数据。对文档判辨域而言，这点并不常见：好多模子会发布权重和理代码，但实在决定智商上限的预西宾数据仍然不可见。筹商者不错启动模子，却很难从疏通首先再行西宾，隔热条PA66生产设备难判断栽植究竟来自结构盘算推算、西宾看法，如故份外界法得回的专有资源。

小模子的兴味不单在于显存占用和部署老本。遑急的是，它让社区有契机再行相比：能栽植究竟来自那处。以前的文档 OCR 榜单中，终数字是公开的，西宾数据、数据配比和后西宾经过却常常不可见。名义上相比的是模子，本色混在起的还有专有语料限度、东说念主工标注老本、西宾预算和系统工程智商。

据 Github 披露，MonkeyOCRv2 通达了立视觉编码器、0.6B 与 0.7B 判辨模子、文档贯串模子、西宾 / 理代码、部署示例和在线 Demo、以及 MonkeyDoc v2 数据。代码和模子权重采纳 Apache License 2.0。这意味着其后者不仅不错调用 0.7B 模子，还不错再行西宾它、替换预西宾看法、修改数据配比，致使用小、陋劣的法过它。公开数据不可自动摒除算力互异，却能让多施行从相对致的首先起程。

榜单终究会被刷新，但套能让别东说念主再行西宾、质疑并越的通达数据，可能对悉数域的发展起到正面影响。

小参数，不是只赢张榜

要是 0.7B 只在 MDPBench 上阐明凸起，它仍然可能仅仅个针对单项榜单调好的系统。视觉底座是否缔造，要津的考试是：同套编码器换到不同任务里，是否仍然有。

MonkeyOCRv2 被接入笔墨识别、公式识别、笔墨检测、文档点窜检测、重复笔墨分割、文档判辨和文档贯串七类任务。这些任务的输出神气不同：有的输出笔墨序列，有的生成 LaTeX，有的瞻望检测框、像素掩码、结构化页面或问答谜底。

恶果披露，换视觉编码器后，多类系统均得回相识栽植。在传统笔墨识别中，CRNN 的综恶果由 58.7 栽植到 67.3；即使在依然接近饱和的常见 OCR 基准上，CRNN 平均仍栽植 2.3 个百分点，PARSeq 也跳动栽植 0.4 个百分点，并过此前佳法。

△同 MonkeyOCRv2 编码器迁徙到七类文档任务，均带来对能栽植。

公式识别给出了直不雅的"小模子反大模子"。将原有视觉编码器替换为 MonkeyOCRv2-S 后，个约 110M 参数的 UniMERNet-T，在总体精准匹配率上过了 325M 参数的 UniMERNet-B。

在笔墨检测、文档点窜检测和重复笔墨分割上，MonkeyOCRv2 还分别带来 3.3、7.5 和 5.3 个百分点栽植。个底座能同期识别、检测、分割、判辨与贯串，讲明它学到的并不是某个解码器用的妙技，而是套不错被不同系统赓续使用的文档视觉暗示。

率的下问：压缩之后，还难忘什么？

当同套视觉编码器能够迁徙到识别、检测、分割、判辨和贯串等不同任务后，问题当然会赓续上前进：既然文档模子不错作念得小，那么页文档还能不可用少的信息来暗示？

这亦然 DeepSeek-OCR 切入的向。

2025 年 10 月，DeepSeek-OCR 建议光学高下文压缩，把率问题的揣度单元从"模子有些许参数"，跳动进到"页文档需要些许视觉 Token "。其论文申诉称，只使用 100 个视觉 Token 就能过 GOT-OCR2.0；在少于 800 个视觉 Token 的条款下，也能过平均使用 6000 多个 Token 的 MinerU2.0。

DeepSeek-OCR 追问的是：页文档究竟不错被压缩得多小？

但文档被压缩之后，还存在个难回答的问题：那些 Token 究竟保留了什么？要是字符笔画、极少点、公式标识和阅读限定依然在压缩过程中褪色，后端言语模子输出的内容再理，也可能仅仅依据高下文完成的补全。

MonkeyOCRv2 恰是在这里建议了"重建即视觉牵记"。

它不是要求 OCR 系统终再行画出张页面，而是把重建当作种西宾不断：要是视觉 Token 仍然能够复原页面中的字符笔画、字形玄虚和版面结构，就讲明这些细节莫得在编码过程中被松驰忘掉。

因此，视觉 Token 数目揣度的是页文档被压缩到多小；而重建智商考试的，则是压缩以后还剩下些许可靠凭据。

压缩经管率，视觉牵记决定古道。

实在减少的，是模子不得不揣度的部分

从 MonkeyOCR 的 3B，到 MonkeyOCR-pro 的 1.2B，再到 MonkeyOCRv2 的 0.7B，这条阶梯并不是陋劣地给模子"减肥"，而是在连接再行差异各个模块的职责。

代 MonkeyOCR 用"在那处、是什么、何如组织"三个问题拆解文档判辨，让模子先定位、再识别，后复原阅读关系。DeepSeek-OCR 赓续压缩页文档所需要的视觉 Token；OvisOCR2 则借助强化学习和蒸馏，跳动挖掘 0.8B 模子的智商上限。

MonkeyOCRv2 补上的，是这些阶梯背后基础的环：论模子和视觉 Token 被压缩到多小，视觉端齐不可先健忘页面上实在写了什么。

这亦然"重建即视觉牵记"实在想抒发的内容。模子不错小，Token 不错少，但阿谁决定东说念主名的点、改动剂量的极少点、区分公式含义的横线，以及决定阅读限定的版面关系，不可在插足言语模子之前就被丢掉。

因此，文档 OCR 下阶段跑马的中枢，可能不再仅仅大的 LLM、少的参数或低的 Token 数目，而是的智商密度：让每部分参数承担明确的任务，让视觉端提供可靠的凭据，让言语端把容量实在用于贯串，而不是用于揣度和修补。终委用的，不仅仅个的分数，而是套能够被复现、相比和赓续改良的文档判辨智商。

0.7B 反 3B 值得记取的，也不仅仅少了 2.3B 参数。它提醒行业再行想考：要是诞妄能够在视觉进口处避，为什么还要把它留到后端，再用大的言语模子挽回？

大模子让 AI 会想考，而小模子时间要求它先少忘点。压缩决定页文档能装进些许 Token；视觉牵记决定这些 Token 是否值得笃信。

"重建即视觉牵记"，大概才是 MonkeyOCRv2 留住的、比次榜单的命题。

GitHub：https://github.com/Yuliang-Liu/MonkeyOCRv2

论文：https://arxiv.org/abs/2607.11562

数据：https://modelscope.cn/datasets/zenosai/MonkeyDocv2

键三连「点赞」「转发」「箝制心」

接待在批驳区留住你的想法！

—  完  —

【学术投稿】请在职责日发送邮件至：ai@qbitai.com，标题注明【投稿】，并告诉咱们：你是谁，从哪来，投稿内容附上神气 / 主页联络，以及斟酌式。

� �   咱们会 ( 尽量 ) 实时复兴你 : )

� � 点亮星标 � �

科技前沿进展逐日见Q Q：183445502相关词条:罐体保温     塑料挤出设备     钢绞线    超细玻璃棉板    万能胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定金华塑料管材生产线，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。