MonkeyOCRv2以0.7B参数超越3B模型，登顶多语种文档解析开源榜首

一年前，3B参数还可被称为“轻量文档模型”。如今，MonkeyOCRv2-S（0.6B）和MonkeyOCRv2-B（0.7B）在MDPBench上分别取得82.5分和83.3分，超过此前排名最高的开源模型dots.mocr（3B，80.5分）。榜单上体量最小的两个模型站到了开源结果最前面。

MonkeyOCRv2-B由0.1B视觉编码器和0.6B语言模型组成，而dots.mocr约为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，视觉编码器仅约十一分之一。团队并非简单剪枝，而是重新分配职责：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、猜字工作。

0.7B版本在拍照文档上达到81.7分，在非拉丁文字上达到82.1分，说明优势不只来自规整PDF或常见拉丁文字。

文档与自然图像的根本差异在于细节决定含义：“王”和“玉”只差一点，o与0宽高比不同。论文展示的案例中，信息图实际写着“700,000”，多种通用视觉编码器却读成“100,000”。MonkeyOCRv2因此采用两种互补预训练目标：图像到文本生成学习“页面写了什么”，像素级文档重建则要求视觉Token保留足以恢复字符笔画、公式符号和版面结构的信息。

重建并非最终输出重建图，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关键细节。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800万张完整页面、1.05亿个细粒度元素，约6100万真实样本、5200万合成样本。数据已开源，允许社区从相同起点重新训练。

17种语言对应不同字体、阅读方向和真实文档形态，而非同一模板的多语言翻译。模型学习的不只是更多字符，而是更多种“页面如何成立”的方式。

MonkeyOCRv2视觉编码器被接入文字识别、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，均带来稳定提升。在传统文字识别中，CRNN综合结果从58.7提升到67.3；常见OCR基准上平均提升2.3个百分点。

公式识别中，替换为MonkeyOCRv2-S编码器后，约110M参数的UniMERNet-T在总体精确匹配率上超过325M参数的UniMERNet-B，实现“小模型反超大模型”。文字检测、文档篡改检测和重叠文字分割分别提升3.3、7.5和5.3个百分点。

一个底座能同时改善识别、检测、分割、解析与理解，说明它学到的不是某个解码器专用技巧，而是一套可被不同系统继续使用的文档视觉表示。

DeepSeek-OCR提出光学上下文压缩，将效率问题从“模型参数”推进到“一页文档需要多少视觉Token”。其论文报告称，只用100个视觉Token就能超过GOT-OCR2.0；少于800个Token时超过平均使用6000多个Token的MinerU2.0。但压缩后Token保留什么才是关键。

MonkeyOCRv2的“重建即视觉记忆”正是回答这一问题：如果视觉Token仍能恢复字符笔画、字形轮廓和版面结构，说明细节未被轻易忘掉。视觉Token数量衡量压缩程度，重建能力检验压缩后还剩多少可靠证据。

从MonkeyOCR的3B到MonkeyOCRv2的0.7B，路线不是简单减肥，而是不断重新划分模块职责。最终交付的不只是更高分数，而是一套可复现、可比较、可继续改进的文档解析能力。