MonkeyOCRv2 登場：1.13 億張文件影像餵出來的文件 AI 基礎模型

文件 AI 領域迎來一個重量級開源選手。研究團隊發布 MonkeyOCRv2,一個專為文件理解打造的視覺-文字基礎模型。出發點直指主流方案的痛處:通用視覺編碼器都是拿自然影像預訓練的,面對文件影像裡的密集文字和細粒度字元筆畫,先天感知力不足——看風景照練出來的眼睛,讀密密麻麻的表格和小字就是吃力,需要字元級的視覺感知能力。

解法從資料下手。團隊建構了 MonkeyDoc v2,號稱目前最大的文件影像預訓練語料庫,涵蓋 1.13 億張影像,横跨多種文件類型。用文件原生資料從頭預訓練視覺-文字模型,而非在自然影像模型上做事後適配,是這項工作與主流路線最大的分野。前代 MonkeyOCR 已在開源文件解析圈累積口碑,v2 直接升級成基礎模型等級的野心。

文件 AI 是企業落地最實在的場景之一:發票、合約、報表、掃描檔的結構化處理,需求量大且付費意願高。近期這個賽道的開源競爭明顯升溫,本站也持續追蹤各家文件解析模型的發布,字元級感知加超大規模文件語料的組合,讓 MonkeyOCRv2 的實測表現值得期待。

歸剛點評:多模態模型什麼都能看,偏偏「認真讀文件」這件事還是要專門練過才行,通才與專才的老命題在 AI 圈重演。對台灣企業的實用意義:中文文件處理一直是痛點,開源文件模型每強一級,導入成本就降一截,這條線的進展建議資訊部門盯緊。