金山与华科发布多模态模型MonkeyOCR v1.5：文档解析能力超越PaddleOCR-VL，复杂表格解析首次突破90%

MonkeyOCR团队 投稿 量子位 | 公众号 QbitAI 是金山派来的猴子，复杂文档解析有救了！ 2025年6月以来，多模态文档解析领域迎来新一轮研究热潮，该方向逐渐成为多模态理解及大模型数据来源的重要前沿课题。 在数字化办公与AI技术深度融合的今天，文档智能解析技术已成为信息抽取、检索增强生成和自动化文档分析的核心基石。 然而，现实世 界中的文档往往布局复杂、表格嵌套、内含图片公式，甚至跨页分布，这让许多现有的OCR （光学字符识别系统，Optical Character Recognition） 系统感到棘手。 △ 图1 MonkeyOCR v1.5再次突破多模态文档解析性能上限 为何需要更强的文档解析引擎？ 想象一下这些场景： 从一份扫描的科研论文中，精准提取包含嵌套表格和复杂公式的内容。 将一份跨越多页、含有产品插图的商品目录表格，无损地还原为一个完整的结构化数据。 准确理解一份排版密集的报纸版面上，文本、图片和表格的正确阅读顺序。 传统的OCR系统在面对这些挑战时，往往力不从心。2025年6月，MonkeyOCR第一版本发布时提到此前的方法要么采用串联式流水线，容 易导致错误累积；要么采用端到 ...