看到這個標題，你可能會想"又一個號稱吊打GPT的模型"。但這次不一樣，華中科技大學真的搞出了點名堂。

前幾天，華科和金山辦公聯合開源了一個叫MonkeyOCR的文檔解析模型。聽名字挺可愛，但實力可不含糊。

圖片

這個只有3B參數的小模型，在文檔解析任務上竟然超越了GPT-4o、Gemini 2.5 Pro這些巨頭的產品。

我特意去試了試他們的在線demo，確實有兩把刷子。

圖片

最讓我印象深刻的是它處理公式的能力。你知道，數學公式一直是OCR的老大難問題，那些復雜的分式、積分符號，傳統OCR經常識別錯。但MonkeyOCR在公式識別上比MinerU提升了15%，這個進步挺明顯的。

表格處理也很出色。我測試了幾張復雜的財務報表，它不僅能準確識別表格內容，還能保持原有的結構關系。相比之下，很多工具要么識別不準，要么把表格結構搞亂了。

從技術角度看，MonkeyOCR創新在于它的SRR三元組設計。簡單說就是把文檔解析分成三個問題："Where is it?"（結構檢測）、"What is it?"（內容識別）、"How is it organized?"（關系理解）。

這種設計很聰明。傳統pipeline方法容易累積錯誤，端到端大模型又太笨重。MonkeyOCR找了個平衡點，既保證精度又控制了計算開銷。

整體表現上，MonkeyOCR比MinerU平均提升了5.1%，在公式識別上提升15%，表格處理上提升8.6%。

更關鍵的是效率。MonkeyOCR處理多頁文檔的速度是0.84頁/秒，MinerU是0.65頁/秒，而Qwen2.5-VL-7B只有可憐的0.12頁/秒。

這意味著什么？如果你要處理100頁的PDF，MonkeyOCR只需要2分鐘，而Qwen需要14分鐘。在實際應用中，這種速度差異是致命的。

圖片

還有一個細節讓我挺驚喜：這個3B的模型可以在單張RTX 3090上跑。要知道，現在動不動就幾十GB的大模型，普通人根本跑不起來。MonkeyOCR這種"小而美"的設計，讓更多開發者能夠實際使用。

當然，也不是完美的。我在測試中發現，對于一些非常規排版的文檔，比如古籍或者手寫體，識別效果還是有限的。不過這也正常，畢竟這些場景的數據相對稀少。

從訓練數據看，團隊構建了MonkeyDoc數據集，包含390萬個實例，覆蓋十多種文檔類型。這個數據規模在文檔解析領域算是相當不錯了。

華科在AI視覺這塊確實有兩把刷子。

他們之前的TextMonkey、Mini-Monkey都在OCR領域有不錯的表現。這次的MonkeyOCR可以看作是這個系列一個重要迭代，技術越來越成熟了。

對于想要部署文檔解析服務的公司來說，MonkeyOCR提供了一個很有吸引力的選擇。既有不錯的精度，又能控制成本，訓練也只需要8張RTX 3090，門檻不算太高。

項目已經開源，GitHub上已經有2.5K的star了。代碼、模型都能免費下載，還提供了在線demo可以直接測試。

只是有一點要注意，在線demo對大圖片的處理似乎有些bug，測試時候最好控制下圖片尺寸。

總的來說，MonkeyOCR是個不錯的開源項目，特別是對于需要高效文檔解析的場景。雖然不敢說真的"吊打"所有商業產品，但確實在某些方面有自己的優勢。