MonkeyOCR 是一個用于文檔解析OCR的項目，采用結(jié)構(gòu) - 識別 - 關(guān)系三元組范式。它支持英文和中文文檔解析。能處理 PDF 和圖像文件，輸出多種格式結(jié)果。還可通過特定方式更新配置文件以使用不同模型。

DEMO

支持中英文

公式

表格

報紙

財務(wù)報告

技術(shù)特點

創(chuàng)新的 SRR 三元組范式：將文檔解析抽象為 “在哪里”（結(jié)構(gòu)）、“是什么”（識別）和 “如何組織”（關(guān)系）三個基本問題，對應布局分析、內(nèi)容識別和邏輯排序，平衡了準確性和速度，實現(xiàn)高效、可擴展的處理而不犧牲精度。

三階段處理流程：

• 結(jié)構(gòu)檢測：使用基于 YOLO 的文檔布局檢測器，準確分割文本塊、表格、公式、圖像等語義區(qū)域。

• 塊級內(nèi)容識別：對每個檢測到的區(qū)域并行進行內(nèi)容識別，利用統(tǒng)一的大型多模態(tài)模型（LMM），避免傳統(tǒng)管道的錯誤傳播。

• 關(guān)系預測：通過專用的塊級閱讀順序模型，推斷檢測元素之間的邏輯閱讀順序，重建其邏輯和語義連接。

大規(guī)模多樣化數(shù)據(jù)集：開發(fā)了 MonkeyDoc 數(shù)據(jù)集，包含 390 萬個塊級實例，覆蓋 5 個核心文檔解析任務(wù)和 10 多種文檔類型，全面支持中英文。

性能表現(xiàn)：

• 與 MinerU 相比，在中英文文檔上平均提升 5.1%，公式識別提升 15.0%，表格識別提升 8.6%。

• 3B 參數(shù)模型在英文文檔解析任務(wù)上超越更大的模型，如 Qwen2.5-VL（72B）和 Gemini 2.5 Pro。

• 多頁文檔處理速度達 0.84 頁 / 秒，優(yōu)于 MinerU（0.65）和 Qwen2.5-VL-7B（0.12）。

項目鏈接

https://github.com/Yuliang-Liu/MonkeyOCR