从 3B 参数的 MonkeyOCR，到 1.2B 的 MinerU、1.0B 的 HunyuanOCR，再到 0.7B 和 0.6B 的 MonkeyOCRv2，文档 OCR 正加速迈入小模型时代：模型体量持续缩小，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 参数尚被称为“轻量文档模型”，如今这一门槛已降至 0.xB。在覆盖电子原生文档、拍照文档及 17 种语言的 MDPBench 评测中，总参数仅 0.6B 的 MonkeyOCRv2-S 得分 82.5，0.7B 版本更是达到 83.3 分。相比之下，此前排名最高的开源模型 dots.mocr 参数量高达 3B，得分仅为 80.5。榜单中体量最小的两个模型，反而占据了开源结果的前列。
这并非单纯的“大力出奇迹”，而是文档 OCR 领域的一次认知重构：模型无需盲目做大，关键在于让每一部分参数明确其职责。华中科技大学白翔团队提出的新路线，不再是机械裁剪大模型，而是重新分配系统职能：由前端视觉编码器精准捕捉字符、公式与版面细节，后端小型语言模型专注于组织与理解。
0.7B 反超 3B 的核心逻辑在于：真正减少的不仅是参数量，更是后端语言模型替前端“猜测”的工作量。
架构演进：从三元组拆解到视觉前置
回顾 2025 年 6 月发布的第一代 MonkeyOCR（3B 参数），其创新在于将复杂文档解析拆解为三个核心问题：“它在哪里？”（结构检测）、“它是什么？”（内容识别）以及“它们之间如何组织？”（关系预测）。这种 Structure-Recognition-Relation（SRR）三元组架构，为模型提供了清晰的执行路径。
随后推出的 MonkeyOCR-pro-1.2B 证明，当任务拆解足够清晰时，模型小型化并不必然导致能力缩水。一年后问世的 MonkeyOCRv2 将总参数进一步压缩至 0.6B 和 0.7B。此次升级并未止步于流程拆解，而是在 SRR 之前引入了一个更基础的前置问题：“你真的看清了吗？”
第一代 MonkeyOCR 用三个问题拆解解析流程；MonkeyOCRv2 将问题进一步前移至视觉入口。
性能突破：小参数模型的榜单逆袭
MDPBench 开源模型列表完整记录了文档 OCR 的小型化进程：从 3B 的 dots.mocr、1.2B 的 MinerU2.5-Pro，到 0.6B/0.7B 的 MonkeyOCRv2。通常模型越小性能越难维持，但 MonkeyOCRv2 打破了这一规律。0.7B 版本在拍照文档上得分 81.7，在非拉丁文字上得分 82.1，证明其优势不仅限于规整 PDF 或常见拉丁文字。
参数分布的差异揭示了成功的关键。MonkeyOCRv2-B 由 0.1B 视觉编码器和 0.6B 语言模型组成，而 dots.mocr 则包含约 1.2B 视觉编码器和 1.8B 语言模型。前者总参数不足后者的四分之一，视觉编码器更是仅为对方的十一分之一。
这并非简单的“剪枝”，而是对模型分工的重构：视觉端负责提供干净、完整的页面证据，语言端不再承担大量补字、猜字和修复结构的冗余工作。参数的价值不在于总额大小，而在于配置效率。
在 MDPBench 论文对比中，0.6B 和 0.7B 的 MonkeyOCRv2 占据开源结果前两名。
核心理念：重建即视觉记忆
文档识别与自然图像识别存在本质差异。自然图像模型需忽略不影响语义的变化（如姿态、遮挡），而文档识别对细节极度敏感：“王”与“玉”差之一点，“o”与"0"形似意异，公式横线、上标或表格边界的微小差异都可能直接改变答案。
案例显示，信息图上实际写着"700,000"，多种通用视觉编码器却误读为"100,000"。一旦关键数字在视觉入口处丢失，后端大语言模型再强大也无法基于错误信息进行推理。
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"。
为此，MonkeyOCRv2 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”，像素级文档重建则强制视觉 Token 保留足以恢复字符笔画、公式符号和版面结构的信息。重建训练的目的并非输出图片，而是通过约束机制，确保小型视觉编码器在压缩页面时不丢失决定答案的关键细节。
模型可以更小，但不能将小数点、笔画和阅读顺序一并“瘦身”掉。
数据基石：亿级文档库与全开源策略
小型视觉编码器承担重任的底气源于高质量数据。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 万张为完整页面，用于训练版面理解和跨区域关系；1.05 亿个为细粒度元素（文字、表格、公式等），提供密集监督。数据来源涵盖真实世界文档（6100 万）与合成样本（5200 万），包括论文、财报、手写笔记及多语言复杂版式。
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，而非同一种模板的多语言翻译。
团队罕见地开源了这套亿级文档图像数据。以往许多模型仅公开权重和代码，私有数据成为黑盒，导致社区难以复现或判断性能提升的真实来源。MonkeyOCRv2 开放了独立视觉编码器、解析模型、训练推理代码及 MonkeyDoc v2 数据，均采用 Apache License 2.0 协议。这不仅降低了部署成本，更为社区提供了公平的起跑线，推动领域从“比拼私有资源”转向“比拼架构设计与训练策略”。
泛化能力：单一底座赋能多类任务
小模型的价值不仅体现在单项榜单。测试显示，将 MonkeyOCRv2 的视觉编码器迁移至文字识别、公式识别、文档篡改检测、重叠文字分割等七类不同任务中，均带来显著性能提升。
在传统文字识别任务中，CRNN 综合结果从 58.7 提升至 67.3；即使在接近饱和的基准上，PARSeq 也提升了 0.4 个百分点。在公式识别任务中，仅 110M 参数的 UniMERNet-T 替换编码器后，精确匹配率超越了 325M 参数的 UniMERNet-B。此外，在文字检测、篡改检测和分割任务上分别提升了 3.3、7.5 和 5.3 个百分点。这证明该视觉底座学到的是一套通用的文档视觉表示，而非特定解码器的技巧。
同一 MonkeyOCRv2 编码器迁移到七类文档任务，均带来绝对性能提升。
未来展望：效率与忠实性的平衡
随着 DeepSeek-OCR 等研究将效率衡量单位从“参数量”推进到“视觉 Token 数量”，行业开始关注一页文档能被压缩得多小。然而，压缩后的核心问题在于：Token 究竟保留了什么？如果关键细节在压缩中消失，后端的推理便成了无源之水。
MonkeyOCRv2 提出的“重建即视觉记忆”给出了答案：视觉 Token 数量衡量压缩效率，而重建能力检验压缩后的信息保真度。压缩解决效率问题，视觉记忆决定忠实性。
从 3B 到 0.7B 的演进，实质是不断重新划分模块职责的过程。下一代文档 OCR 的竞争核心，将不再是单纯的参数规模或 Token 数量，而是“能力密度”：让视觉端提供更可靠的证据，让语言端专注于理解而非猜测。0.7B 反超 3B 的启示在于：如果错误能在视觉入口处避免，就不应留待后端用更大的模型去补救。大模型让 AI 更会思考，而小模型时代要求它先少忘一点。
“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。
GitHub：https://github.com/Yuliang-Liu/MonkeyOCRv2
论文：https://arxiv.org/abs/2607.11562
数据：https://modelscope.cn/datasets/zenosai/MonkeyDocv2