MonkeyOCRv2：文档AI视觉模型
VLRLab-OCR · hf · 2026-07-15
这篇论文提出 **MonkeyOCRv2**，一个面向文档 AI 的视觉-文本基础模型。 要点包括： - 作者构建了 **MonkeyDoc v2**，包含 **1.13 亿张**、覆盖 **17 种语言** 的文档图片预训练语料。 - 预训练同时做图像到文本生成和像素级文档重建，以兼顾字符形状和版式信息。 - 在文本识别、公式识别、文本检测、文档篡改检测、重叠文本分割等 **5 个任务** 上都带来稳定提升。 - 冻结编码器后可组成一个 **0.7B** 的文档解析模型，在 **MDPBench** 上刷新开源 SOTA，较此前最佳的 3B dots.mocr **绝对提升 2.8%**，而视觉编码器规模约小 **11 倍**。 - 同一编码器也优于 CLIP、DINO、SAM 作为文档理解模型的视觉前端。