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文档OCR正加速迈入小模型时代模型越来越小性能上限却一次次被重新定义。△一年多时间里文档OCR从3B快速进入0.xB区间一年前3B参数还可以被称为“轻量文档模型”。现在这条线已经被推到了0.xB。在覆盖电子原生文档、拍照文档和17种语言的MDPBench上MonkeyOCRv2-S总参数只有0.6B拿到82.5分0.7B版本进一步达到83.3分。此前排名最高的开源模型dots.mocr有3B参数得分为80.5。榜单中体量最小的两个模型反而站到了开源结果的最前面。这不是一个常见的“大力出奇迹”故事。更像是文档OCR在一年之内突然重新想明白了一件事模型不一定要继续变大但每一部分参数必须知道自己究竟负责什么。华中科技大学白翔团队给出的路线不是把3B模型机械裁成0.7B而是重新分配系统职责让前端视觉编码器先把字符、公式与版面看清再让更小的语言模型负责组织和理解。0.7B反超3B真正减少的并不只是参数而是后端语言模型替前端“猜”的工作量。这场缩小MonkeyOCR先从自己身上开刀时间回到2025年6月。第一代MonkeyOCR发布时总参数为3B。它没有让一个大模型从头到尾直接“看图写Markdown”而是把复杂文档解析拆成三个非常直观的问题它在哪里它是什么它们之间如何组织这三个问题分别对应结构检测、内容识别和关系预测。原本需要多个工具串联完成的任务被整理为Structure-Recognition-Relation也就是SRR三元组。它的价值不只是一个新结构更像是给模型写下了一组简单明确的提示词先找位置再认内容最后恢复阅读关系。仅一个多月后团队又推出MonkeyOCR-pro-1.2B。官方项目记录显示这个版本更轻、更快并在部分准确率比较中超过此前3B版本。也就是说模型做小并不必然等于能力缩水当任务被拆得足够清楚很多原本堆在大模型里的参数可能并没有被高效使用。一年后MonkeyOCRv2继续把总参数压到0.6B和0.7B。但这一次团队不是继续拆解解析流程而是在SRR三个问题之前再补上一个更基础的问题你真的看清了吗△第一代MonkeyOCR用三个问题拆解解析流程MonkeyOCRv2把问题进一步前移到视觉入口榜单里最小的两个模型站到了最上面MDPBench的开源模型列表几乎记录了文档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。通常情况下模型越小性能越难维持。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分反而超过3B的dots.mocr80.5。其中0.7B版本在拍照文档上达到81.7在非拉丁文字上达到82.1说明优势不只来自规整PDF或常见拉丁文字。更值得注意的是参数被放在了哪里。MonkeyOCRv2-B由0.1B视觉编码器和0.6B语言模型组成dots.mocr则大约是1.2B视觉编码器加1.8B语言模型。前者总参数不到四分之一视觉编码器更只有约十一分之一。这并不是普通意义上的“剪枝”。它更像是重新画了一遍模型的分工图视觉端负责尽可能提供干净、完整的页面证据语言端不再承担大量补字、猜字和修复结构的工作。参数像预算真正重要的不是总额有多大而是钱花在了哪里。△在MDPBench论文对比中0.6B和0.7B的MonkeyOCRv2占据开源结果前两名在三个问题之前先问一句你真的看清了吗文档与普通照片有一个根本差异。识别一只猫时毛色变化、姿态变化甚至局部遮挡并不会改变“这是一只猫”自然图像模型需要学会忽略这些不影响大意的变化。文档恰恰相反。“王”和“玉”只差一个点可能对应完全不同的人o与0只是宽高比有区别代表的是完全不同的涵义。一条公式横线、一处上标、一个表格边界都可能直接改变答案。论文展示的一个案例很直观信息图上实际写着“700,000”多种通用视觉编码器却读成了“100,000”。模型也许仍然理解图片在讲一组统计数据但真正决定答案的那个数字已经在视觉入口处丢了。大语言模型再聪明也无法准确推理一条自己从未收到的信息。△页面上真实写着“700,000”多种通用视觉编码器却把关键数字读成“100,000”MonkeyOCRv2因此采用两种互补的预训练目标图像到文本生成让模型学习“页面写了什么”像素级文档重建则要求视觉Token仍然保留足以恢复字符笔画、公式符号和版面结构的信息。用更通俗的话说文本生成教模型理解内容重建则逼着它别太快忘记页面长什么样。这里的重点并不是让OCR系统最终输出一张重建图而是通过重建训练让更小的视觉编码器在压缩页面时少丢一些真正决定答案的细节。模型可以更小但不能把小数点、笔画和阅读顺序也一起“瘦”掉。给0.1B的“眼睛”喂一亿张文档并把训练资源摆到公共桌面小视觉编码器之所以敢承担更重的任务底气来自训练数据。团队构建的MonkeyDoc v2包含1.13亿张文档图像覆盖17种语言其中800万张是完整页面另外1.05亿个是文字、表格、公式等细粒度文档元素。数据中约6100万来自真实世界文档5200万为合成样本。完整页面负责教模型理解版面、阅读顺序和跨区域关系裁剪元素则提供字符、公式与表格级别的密集监督。这些样本也不只是规整扫描件还包括论文、书籍、报刊、财务报告、网页、手写笔记、历史文字和拍照文档。17种语言也不是把同一套版式翻译17遍。阿拉伯语要从右向左阅读中文页面可能包含竖排、密集字段和复杂表格不同文字系统拥有完全不同的字形、阅读方向和文档生态。模型要学的不只是更多字符而是更多种“页面如何成立”的方式。△MonkeyDoc v2由800万张完整页面和1.05亿个细粒度元素组成覆盖17种语言△17种语言对应不同字体、阅读方向和真实文档形态而不是同一种模板的多语言翻译团队开源了这套一亿级的文档图像数据。对文档解析领域而言这一点并不常见很多模型会发布权重和推理代码但真正决定能力上限的预训练数据仍然不可见。研究者可以运行模型却很难从相同起点重新训练更难判断提升究竟来自结构设计、训练目标还是一份外界无法获得的私有资源。小模型的意义不只在于显存占用和部署成本。更重要的是它让社区有机会重新比较性能提升究竟来自哪里。过去的文档OCR榜单中最终数字是公开的训练数据、数据配比和后训练流程却常常不可见。表面上比较的是模型实际混在一起的还有私有语料规模、人工标注成本、训练预算和系统工程能力。据Github显示MonkeyOCRv2开放了独立视觉编码器、0.6B与0.7B解析模型、文档理解模型、训练/推理代码、部署示例和在线Demo、以及MonkeyDoc v2数据。代码和模型权重采用Apache License 2.0。这意味着后来者不仅可以调用0.7B模型还可以重新训练它、替换预训练目标、修改数据配比甚至用更小、更简单的方法超过它。公开数据不能自动消除算力差异却能让更多实验从相对一致的起点出发。榜单第一终究会被刷新但一套能让别人重新训练、质疑并超越的开放数据可能对整个领域的发展起到正面影响。小参数不是只赢一张榜如果0.7B只在MDPBench上表现突出它仍然可能只是一个针对单项榜单调好的系统。视觉底座是否成立更关键的检验是同一套编码器换到不同任务里是否仍然有效。MonkeyOCRv2被接入文字识别、公式识别、文字检测、文档篡改检测、重叠文字分割、文档解析和文档理解七类任务。这些任务的输出形式完全不同有的输出文字序列有的生成LaTeX有的预测检测框、像素掩码、结构化页面或问答答案。结果显示更换视觉编码器后多类系统均获得稳定提升。在传统文字识别中CRNN的综合结果由58.7提升到67.3即使在已经接近饱和的常见OCR基准上CRNN平均仍提升2.3个百分点PARSeq也进一步提升0.4个百分点并超过此前最佳方法。△同一MonkeyOCRv2编码器迁移到七类文档任务均带来绝对性能提升公式识别给出了更直观的“小模型反超大模型”。将原有视觉编码器替换为MonkeyOCRv2-S后一个约110M参数的UniMERNet-T在总体精确匹配率上超过了325M参数的UniMERNet-B。在文字检测、文档篡改检测和重叠文字分割上MonkeyOCRv2还分别带来3.3、7.5和5.3个百分点提升。一个底座能同时改善识别、检测、分割、解析与理解说明它学到的并不是某个解码器专用的技巧而是一套可以被不同系统继续使用的文档视觉表示。效率的下一问压缩之后还记得什么当同一套视觉编码器能够迁移到识别、检测、分割、解析和理解等不同任务后问题自然会继续向前推进既然文档模型可以做得更小那么一页文档还能不能用更少的信息来表示这也是DeepSeek-OCR切入的方向。2025年10月DeepSeek-OCR提出光学上下文压缩把效率问题的衡量单位从“模型有多少参数”进一步推进到“一页文档需要多少视觉Token”。其论文报告称只使用100个视觉Token就能超过GOT-OCR2.0在少于800个视觉Token的条件下也能超过平均使用6000多个Token的MinerU2.0。DeepSeek-OCR追问的是一页文档究竟可以被压缩得多小但文档被压缩之后还存在一个更难回答的问题那些Token究竟保留了什么如果字符笔画、小数点、公式符号和阅读顺序已经在压缩过程中消失后端语言模型输出的内容再合理也可能只是依据上下文完成的补全。MonkeyOCRv2正是在这里提出了“重建即视觉记忆”。它不是要求OCR系统最终重新画出一张页面而是把重建作为一种训练约束如果视觉Token仍然能够恢复页面中的字符笔画、字形轮廓和版面结构就说明这些细节没有在编码过程中被轻易忘掉。因此视觉Token数量衡量的是一页文档被压缩到多小而重建能力检验的则是压缩以后还剩下多少可靠证据。压缩解决效率视觉记忆决定忠实性。真正减少的是模型不得不猜测的部分从MonkeyOCR的3B到MonkeyOCR-pro的1.2B再到MonkeyOCRv2的0.7B这条路线并不是简单地给模型“减肥”而是在不断重新划分各个模块的职责。第一代MonkeyOCR用“在哪里、是什么、如何组织”三个问题拆解文档解析让模型先定位、再识别最后恢复阅读关系。DeepSeek-OCR继续压缩一页文档所需要的视觉TokenOvisOCR2则借助强化学习和蒸馏进一步挖掘0.8B模型的能力上限。MonkeyOCRv2补上的是这些路线背后更基础的一环无论模型和视觉Token被压缩到多小视觉端都不能先忘记页面上真正写了什么。这也是“重建即视觉记忆”真正想表达的内容。模型可以更小Token可以更少但那个决定人名的点、改变剂量的小数点、区分公式含义的横线以及决定阅读顺序的版面关系不能在进入语言模型之前就被丢掉。因此文档OCR下一阶段赛马的核心可能不再只是更大的LLM、更少的参数或更低的Token数量而是更高的能力密度让每一部分参数承担更明确的任务让视觉端提供更可靠的证据让语言端把容量真正用于理解而不是用于猜测和修补。最终交付的不只是一个更高的分数而是一套能够被复现、比较和继续改进的文档解析能力。0.7B反超3B值得记住的也不只是少了2.3B参数。它提醒行业重新思考如果错误能够在视觉入口处避免为什么还要把它留到后端再用更大的语言模型补救大模型让AI更会思考而小模型时代要求它先少忘一点。压缩决定一页文档能装进多少Token视觉记忆决定这些Token是否值得相信。“重建即视觉记忆”或许才是MonkeyOCRv2留下的、比一次榜单第一更长久的命题。
一年从3B卷到0.xB：MonkeyOCRv2用0.7B拿下17语种文档解析开源第一
发布时间：2026/7/27 13:40:26
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文档OCR正加速迈入小模型时代模型越来越小性能上限却一次次被重新定义。△一年多时间里文档OCR从3B快速进入0.xB区间一年前3B参数还可以被称为“轻量文档模型”。现在这条线已经被推到了0.xB。在覆盖电子原生文档、拍照文档和17种语言的MDPBench上MonkeyOCRv2-S总参数只有0.6B拿到82.5分0.7B版本进一步达到83.3分。此前排名最高的开源模型dots.mocr有3B参数得分为80.5。榜单中体量最小的两个模型反而站到了开源结果的最前面。这不是一个常见的“大力出奇迹”故事。更像是文档OCR在一年之内突然重新想明白了一件事模型不一定要继续变大但每一部分参数必须知道自己究竟负责什么。华中科技大学白翔团队给出的路线不是把3B模型机械裁成0.7B而是重新分配系统职责让前端视觉编码器先把字符、公式与版面看清再让更小的语言模型负责组织和理解。0.7B反超3B真正减少的并不只是参数而是后端语言模型替前端“猜”的工作量。这场缩小MonkeyOCR先从自己身上开刀时间回到2025年6月。第一代MonkeyOCR发布时总参数为3B。它没有让一个大模型从头到尾直接“看图写Markdown”而是把复杂文档解析拆成三个非常直观的问题它在哪里它是什么它们之间如何组织这三个问题分别对应结构检测、内容识别和关系预测。原本需要多个工具串联完成的任务被整理为Structure-Recognition-Relation也就是SRR三元组。它的价值不只是一个新结构更像是给模型写下了一组简单明确的提示词先找位置再认内容最后恢复阅读关系。仅一个多月后团队又推出MonkeyOCR-pro-1.2B。官方项目记录显示这个版本更轻、更快并在部分准确率比较中超过此前3B版本。也就是说模型做小并不必然等于能力缩水当任务被拆得足够清楚很多原本堆在大模型里的参数可能并没有被高效使用。一年后MonkeyOCRv2继续把总参数压到0.6B和0.7B。但这一次团队不是继续拆解解析流程而是在SRR三个问题之前再补上一个更基础的问题你真的看清了吗△第一代MonkeyOCR用三个问题拆解解析流程MonkeyOCRv2把问题进一步前移到视觉入口榜单里最小的两个模型站到了最上面MDPBench的开源模型列表几乎记录了文档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。通常情况下模型越小性能越难维持。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分反而超过3B的dots.mocr80.5。其中0.7B版本在拍照文档上达到81.7在非拉丁文字上达到82.1说明优势不只来自规整PDF或常见拉丁文字。更值得注意的是参数被放在了哪里。MonkeyOCRv2-B由0.1B视觉编码器和0.6B语言模型组成dots.mocr则大约是1.2B视觉编码器加1.8B语言模型。前者总参数不到四分之一视觉编码器更只有约十一分之一。这并不是普通意义上的“剪枝”。它更像是重新画了一遍模型的分工图视觉端负责尽可能提供干净、完整的页面证据语言端不再承担大量补字、猜字和修复结构的工作。参数像预算真正重要的不是总额有多大而是钱花在了哪里。△在MDPBench论文对比中0.6B和0.7B的MonkeyOCRv2占据开源结果前两名在三个问题之前先问一句你真的看清了吗文档与普通照片有一个根本差异。识别一只猫时毛色变化、姿态变化甚至局部遮挡并不会改变“这是一只猫”自然图像模型需要学会忽略这些不影响大意的变化。文档恰恰相反。“王”和“玉”只差一个点可能对应完全不同的人o与0只是宽高比有区别代表的是完全不同的涵义。一条公式横线、一处上标、一个表格边界都可能直接改变答案。论文展示的一个案例很直观信息图上实际写着“700,000”多种通用视觉编码器却读成了“100,000”。模型也许仍然理解图片在讲一组统计数据但真正决定答案的那个数字已经在视觉入口处丢了。大语言模型再聪明也无法准确推理一条自己从未收到的信息。△页面上真实写着“700,000”多种通用视觉编码器却把关键数字读成“100,000”MonkeyOCRv2因此采用两种互补的预训练目标图像到文本生成让模型学习“页面写了什么”像素级文档重建则要求视觉Token仍然保留足以恢复字符笔画、公式符号和版面结构的信息。用更通俗的话说文本生成教模型理解内容重建则逼着它别太快忘记页面长什么样。这里的重点并不是让OCR系统最终输出一张重建图而是通过重建训练让更小的视觉编码器在压缩页面时少丢一些真正决定答案的细节。模型可以更小但不能把小数点、笔画和阅读顺序也一起“瘦”掉。给0.1B的“眼睛”喂一亿张文档并把训练资源摆到公共桌面小视觉编码器之所以敢承担更重的任务底气来自训练数据。团队构建的MonkeyDoc v2包含1.13亿张文档图像覆盖17种语言其中800万张是完整页面另外1.05亿个是文字、表格、公式等细粒度文档元素。数据中约6100万来自真实世界文档5200万为合成样本。完整页面负责教模型理解版面、阅读顺序和跨区域关系裁剪元素则提供字符、公式与表格级别的密集监督。这些样本也不只是规整扫描件还包括论文、书籍、报刊、财务报告、网页、手写笔记、历史文字和拍照文档。17种语言也不是把同一套版式翻译17遍。阿拉伯语要从右向左阅读中文页面可能包含竖排、密集字段和复杂表格不同文字系统拥有完全不同的字形、阅读方向和文档生态。模型要学的不只是更多字符而是更多种“页面如何成立”的方式。△MonkeyDoc v2由800万张完整页面和1.05亿个细粒度元素组成覆盖17种语言△17种语言对应不同字体、阅读方向和真实文档形态而不是同一种模板的多语言翻译团队开源了这套一亿级的文档图像数据。对文档解析领域而言这一点并不常见很多模型会发布权重和推理代码但真正决定能力上限的预训练数据仍然不可见。研究者可以运行模型却很难从相同起点重新训练更难判断提升究竟来自结构设计、训练目标还是一份外界无法获得的私有资源。小模型的意义不只在于显存占用和部署成本。更重要的是它让社区有机会重新比较性能提升究竟来自哪里。过去的文档OCR榜单中最终数字是公开的训练数据、数据配比和后训练流程却常常不可见。表面上比较的是模型实际混在一起的还有私有语料规模、人工标注成本、训练预算和系统工程能力。据Github显示MonkeyOCRv2开放了独立视觉编码器、0.6B与0.7B解析模型、文档理解模型、训练/推理代码、部署示例和在线Demo、以及MonkeyDoc v2数据。代码和模型权重采用Apache License 2.0。这意味着后来者不仅可以调用0.7B模型还可以重新训练它、替换预训练目标、修改数据配比甚至用更小、更简单的方法超过它。公开数据不能自动消除算力差异却能让更多实验从相对一致的起点出发。榜单第一终究会被刷新但一套能让别人重新训练、质疑并超越的开放数据可能对整个领域的发展起到正面影响。小参数不是只赢一张榜如果0.7B只在MDPBench上表现突出它仍然可能只是一个针对单项榜单调好的系统。视觉底座是否成立更关键的检验是同一套编码器换到不同任务里是否仍然有效。MonkeyOCRv2被接入文字识别、公式识别、文字检测、文档篡改检测、重叠文字分割、文档解析和文档理解七类任务。这些任务的输出形式完全不同有的输出文字序列有的生成LaTeX有的预测检测框、像素掩码、结构化页面或问答答案。结果显示更换视觉编码器后多类系统均获得稳定提升。在传统文字识别中CRNN的综合结果由58.7提升到67.3即使在已经接近饱和的常见OCR基准上CRNN平均仍提升2.3个百分点PARSeq也进一步提升0.4个百分点并超过此前最佳方法。△同一MonkeyOCRv2编码器迁移到七类文档任务均带来绝对性能提升公式识别给出了更直观的“小模型反超大模型”。将原有视觉编码器替换为MonkeyOCRv2-S后一个约110M参数的UniMERNet-T在总体精确匹配率上超过了325M参数的UniMERNet-B。在文字检测、文档篡改检测和重叠文字分割上MonkeyOCRv2还分别带来3.3、7.5和5.3个百分点提升。一个底座能同时改善识别、检测、分割、解析与理解说明它学到的并不是某个解码器专用的技巧而是一套可以被不同系统继续使用的文档视觉表示。效率的下一问压缩之后还记得什么当同一套视觉编码器能够迁移到识别、检测、分割、解析和理解等不同任务后问题自然会继续向前推进既然文档模型可以做得更小那么一页文档还能不能用更少的信息来表示这也是DeepSeek-OCR切入的方向。2025年10月DeepSeek-OCR提出光学上下文压缩把效率问题的衡量单位从“模型有多少参数”进一步推进到“一页文档需要多少视觉Token”。其论文报告称只使用100个视觉Token就能超过GOT-OCR2.0在少于800个视觉Token的条件下也能超过平均使用6000多个Token的MinerU2.0。DeepSeek-OCR追问的是一页文档究竟可以被压缩得多小但文档被压缩之后还存在一个更难回答的问题那些Token究竟保留了什么如果字符笔画、小数点、公式符号和阅读顺序已经在压缩过程中消失后端语言模型输出的内容再合理也可能只是依据上下文完成的补全。MonkeyOCRv2正是在这里提出了“重建即视觉记忆”。它不是要求OCR系统最终重新画出一张页面而是把重建作为一种训练约束如果视觉Token仍然能够恢复页面中的字符笔画、字形轮廓和版面结构就说明这些细节没有在编码过程中被轻易忘掉。因此视觉Token数量衡量的是一页文档被压缩到多小而重建能力检验的则是压缩以后还剩下多少可靠证据。压缩解决效率视觉记忆决定忠实性。真正减少的是模型不得不猜测的部分从MonkeyOCR的3B到MonkeyOCR-pro的1.2B再到MonkeyOCRv2的0.7B这条路线并不是简单地给模型“减肥”而是在不断重新划分各个模块的职责。第一代MonkeyOCR用“在哪里、是什么、如何组织”三个问题拆解文档解析让模型先定位、再识别最后恢复阅读关系。DeepSeek-OCR继续压缩一页文档所需要的视觉TokenOvisOCR2则借助强化学习和蒸馏进一步挖掘0.8B模型的能力上限。MonkeyOCRv2补上的是这些路线背后更基础的一环无论模型和视觉Token被压缩到多小视觉端都不能先忘记页面上真正写了什么。这也是“重建即视觉记忆”真正想表达的内容。模型可以更小Token可以更少但那个决定人名的点、改变剂量的小数点、区分公式含义的横线以及决定阅读顺序的版面关系不能在进入语言模型之前就被丢掉。因此文档OCR下一阶段赛马的核心可能不再只是更大的LLM、更少的参数或更低的Token数量而是更高的能力密度让每一部分参数承担更明确的任务让视觉端提供更可靠的证据让语言端把容量真正用于理解而不是用于猜测和修补。最终交付的不只是一个更高的分数而是一套能够被复现、比较和继续改进的文档解析能力。0.7B反超3B值得记住的也不只是少了2.3B参数。它提醒行业重新思考如果错误能够在视觉入口处避免为什么还要把它留到后端再用更大的语言模型补救大模型让AI更会思考而小模型时代要求它先少忘一点。压缩决定一页文档能装进多少Token视觉记忆决定这些Token是否值得相信。“重建即视觉记忆”或许才是MonkeyOCRv2留下的、比一次榜单第一更长久的命题。
