MonkeyOCR v2 开源：多语言文档解析新 SOTA，仅0.7B

01 0.7B 参数，多语言文档解析新 SOTA

文档解析这件事，以前的思路是：把通用视觉模型拿来，看看能不能看懂文档。

MonkeyOCR v2 换了思路——专门为文档设计视觉骨干，而不是套用通用模型。

结果：

• • 只有 0.7B 参数（解析器部分 0.6B）
• • 17 种语言文档解析
• • 83.3 综合分，超过 MinerU、docling、marker

02 17 种语言，逐语言基准测试

MonkeyOCR v2 在 17 种语言上做了完整评测：

17 种语言平均 83.3 分。 唯一比它高的只有 3B 参数的 dots.mocr（83.6），但参数多了 4 倍。

03 文档原生视觉骨干是什么？

大多数文档解析模型的做法是：用 CLIP、SigLIP 这类通用视觉模型做图像编码，然后加一个 OCR 头。

问题是——通用视觉模型不是为文档设计的。 它认识猫狗，但看不懂表格结构和阅读顺序。

MonkeyOCR v2 的做法：

• • 文档原生骨干 — 专门用文档数据预训练的视觉 encoder
• • 结构-识别-关系三元组 — 同时解析文档的三种信息
• • 轻量解析器 — 0.6B 的解析头，速度快、部署简单

04 对比同类项目

0.7B 做到 83.3，这个效率很高。 MinerU 需要更大的模型才做到 83.1。

05 前身：MonkeyOCR v1 的 6.6K Star

MonkeyOCR v1 去年发布，GitHub 上拿了 6.6K Star。

v2 的升级点：

• • 文档原生视觉骨干（代替通用视觉模型）
• • 多语言支持（从单一的英文/中文扩展到 17 种语言）
• • Apache 2.0（v1 是非商用，v2 可商用）
• • 0.7B 轻量模型（部署门槛低）

06 安装和使用

项目提供 Docker 部署，支持单 GPU 推理。详细步骤见 GitHub README。

07 写在最后

文档解析赛道从去年开始卷起来——MinerU、docling、marker 轮番上场。

但大多数项目的思路是”把通用视觉模型改一改”。

MonkeyOCR v2 换了一条路：从零训练文档原生视觉骨干。

结果 0.7B 参数就做到了 17 种语言新 SOTA。

如果你在用 MinerU 或者 docling，值得试试 MonkeyOCR v2。

Github：https://github.com/Yuliang-Liu/MonkeyOCRv2
论文：https://arxiv.org/abs/2507.02662