是金山派來的猴子，復雜文檔解析有救了！

2025年6月以來，多模態文檔解析領域迎來新一輪研究熱潮，該方向逐漸成為多模態理解及大模型數據來源的重要前沿課題。

在數字化辦公與AI技術深度融合的今天，文檔智能解析技術已成為信息抽取、檢索增強生成和自動化文檔分析的核心基石。然而，現實世界中的文檔往往布局復雜、表格嵌套、內含圖片公式，甚至跨頁分布，這讓許多現有的OCR（光學字符識別系統，Optical Character Recognition）系統感到棘手。

MonkeyOCR v1.5是一個全新的統一視覺-語言文檔解析框架。它在全能多模態文檔解析基準OmniDocBench v1.5，OCRFlux-bench上較此前最優方法（MinerU2.5、PPOCR-VL、DeepSeek-OCR等）實現了全面突破，更在復雜表格、嵌入圖像和跨頁結構等棘手場景中，相較此前最優方法大幅提升9.7%。

△圖1 MonkeyOCR v1.5再次突破多模態文檔解析性能上限

為何需要更強的文檔解析引擎？

想象一下這些場景：

• 從一份掃描的科研論文中，精準提取包含嵌套表格和復雜公式的內容。
• 將一份跨越多頁、含有產品插圖的商品目錄表格，無損地還原為一個完整的結構化數據。
• 準確理解一份排版密集的報紙版面上，文本、圖片和表格的正確閱讀順序。

傳統的OCR系統在面對這些挑戰時，往往力不從心。2025年6月，MonkeyOCR第一版本發布時提到此前的方法要么采用串聯式流水線，容易導致錯誤累積；要么采用端到端模型，因文檔圖像的高分辨率而面臨巨大的計算瓶頸。v1.5除了提升了精度之外，同時支持嵌入式圖像恢復、跨頁表格重建以及多列表格合并，并在復雜的真實文檔場景中展現出更強的應用潛力。

△圖2 自2025年6月起，多模態文檔解析工具出現時間軸

MonkeyOCR v1.5的核心突破

MonkeyOCR v1.5的核心設計理念是：將全局的結構理解與細粒度的內容識別高效解耦，并在最關鍵、最復雜的環節引入創新性的智能算法。

1.高效的兩階段解析管道

v1.5將流程簡化為兩個清晰、輕量的階段：

• 階段一：布局分析與閱讀順序預測

采用一個視覺大語言模型，聯合預測文檔的布局（哪里是文本、表格、公式）和閱讀順序。這種方式充分利用了全局視覺上下文，確保了結構元素與其空間順序的一致性，從源頭減少了錯誤。

• 階段二：區域級內容識別

根據第一階段檢測到的區域，系統并行地對每個區域內的文本、公式或表格進行高精度識別。這種設計既保證了細粒度的識別質量，又通過并行處理維持了整體效率。

△圖3 兼顧效率與精度的兩階段文檔解析流程

2.針對復雜表格的三大“殺手锏”

a）基于視覺一致性的強化學習理解復雜表格的結構是行業難題。提出視覺一致性強化學習方案。簡單來說，通過訓練了一個“獎勵模型”，通過比較原始表格圖像與識別結果重新渲染后的圖像，來評估識別質量的好壞。這套系統能讓模型在沒有大量人工標注數據的情況下，自我優化，顯著提升對復雜表格的解析保真性。

△圖4 基于視覺一致性強化學習的復雜表格解析方法

b）圖像解耦表格解析表格里嵌入圖片怎么辦？此前的方法在該問題上均表現不佳，MonkeyOCR v1.5給出了簡單高效的解決方案：圖像解耦表格解析。該模塊會先檢測并“遮住”表格中的圖片，用占位符替代，然后讓模型專注于解析純文本的表格結構（生成含標簽的HTML），最后再將原始圖片“貼回”原位。這完美解決了圖片干擾表格結構識別的問題。

△圖5 圖像解耦表格解析方法應對表格嵌入圖片難題

c）類型引導的表格合并對于跨頁或分欄的表格，v1.5能智能地將其“縫合”起來。我們系統性地定義了三種常見跨頁模式（全標題重復、無標題連續、行分割連續），并采用規則匹配+BERT語義判別的混合決策流程，自動識別類型并執行精準合并，還原出完整的表格結構。

△圖6 應對三種跨頁表格模式解析

性能表現：數據說話

在以下權威基準的測試中，MonkeyOCR v1.5交出了一份亮眼的成績單：

綜合性能第一：在OmniDocBench v1.5基準測試中，MonkeyOCR v1.5以93.01%的整體得分登頂榜首。它不僅超越了前最佳模型PPOCR-VL（92.86%）和MinerU 2.5（90.7%），也領先于其他知名模型，如dots.ocr（88.4%）和Deepseek-OCR（87.0%），證明了其綜合解析能力的顯著進步。

表格場景制霸：在專門測試復雜表格的OCRFlux-complex數據集上，更是以90.9%的得分，領先PPOCR-VL（81.7%）達9.2%，證明了新算法在處理復雜結構上的巨大優勢。

可視化對比：眼見為實

下面的對比案例展示v1.5的對比情況：

布局分析：能準確識別出所有圖像和表格區域，大幅避免了將表格誤判為孤立文本和圖片的錯誤。

嵌入圖像恢復：能完美還原表格結構和其中的所有嵌入圖像，而其它模型則時常出現圖像丟失、表頭丟失或結構錯亂。

跨頁表格合并：能完整地重建跨頁表格，消除因頁眉/頁腳造成的結構中斷，而其他方法則易被中途“截斷”。

結語與展望

MonkeyOCR v1.5不僅僅是在數據指標上實現了突破，它更致力于解決文檔解析在真實工業場景中遇到的核心痛點。通過創新的兩階段架構、自監督的強化學習策略以及針對嵌入圖像、跨頁表格的專用模塊，它為處理復雜、異構的文檔理解任務提供了一個強大、可靠且高效的解決方案。MonkeyOCR v1.5技術報告與體驗平臺已發布，歡迎深入了解并體驗MonkeyOCR v1.5的復雜文檔解析能力。

Arxiv：https://arxiv.org/abs/2511.10390v1

Github：https://github.com/Yuliang-Liu/MonkeyOCR

Demo：https://aiwrite.wps.cn/pdf/parse/web/