📑 本文导航
Indra OCR 是一款仅100万参数、可直接在CPU上运行的OCR模型。它能将PDF和图片转换为Markdown、纯文本或带坐标框的JSON格式,支持识别手写内容、覆盖80余种语言,还能处理任意倾斜角度的页面。
核心特性
- 识别精度领先
在OmniParseBench基准测试中得分66.7,开启数学公式识别参数--math后得分可达71.4,超过PaddleOCR完整PP-StructureV3流水线的58.4分;纯文本识别得分46.7,大幅领先PaddleOCR PP-OCR文本模型的35.8分和Tesseract的19.3分。 - 运行速度极快
在32核CPU环境下,处理速度约为44页/秒,同硬件同测试集下速度是Tesseract的15倍、PaddleOCR PP-OCR文本模型的10倍;4核CPU下单页处理耗时仅约210毫秒。 - 多语言覆盖广
支持拉丁字母语言、俄语等西里尔语族语言、希腊语、中文、日语、韩语、阿拉伯语、波斯语、乌尔都语、希伯来语、印地语等印度语族语言、泰语、高棉语等80余种语言。 - 支持手写识别
可识别手写页面与表单内容,在OmniParseBench手写测试集上得分25.2%。 - 适配复杂扫描场景
可处理横向、倒置、最大倾斜45度的页面,也能识别深色背景上的浅色文字。 - 完整布局解析
为每一行、每一个内容块生成坐标框、类型标签和阅读顺序,可精准区分标题、列表、表格、图片说明、脚注、页眉等元素。 - 原生适配数字PDF
直接读取PDF内的文本层,仅对缺失内容执行OCR识别,避免重复运算。 - 轻量无依赖
基于ONNX Runtime运行,无需依赖PyTorch,全程不需要GPU支持。
Indra OCR 1.1(Datalab,就是这个)
完全匹配你说的:76MB、CPU 离线、4 核下单页约 210ms,2026 年 10 月新出,Datalab(Marker/Surya 同一家)发布
- 总模型包:76MB(30MB 网络权重 + 46MB 语言模型)
- 速度:4 核 CPU≈210ms / 页;32 核可以到 44 页 / 秒,官方标注约 15 倍 Tesseract、10 倍 PaddleOCR 文本模型
- 推理:ONNX Runtime,不需要 PyTorch、不需要 GPU,纯离线
- 能力:80 + 语言、版面分析、阅读顺序、倾斜文档、支持少量手写识别,输出 Markdown /text/ JSON(带框)
- 安装:
pip install indra-ocr,Python >=3.10 - 协议:代码 Apache2.0;模型权重是修改版 OpenRAIL-M(个人 / 研究 / 营收 < 2000 万美金初创免费,大企业商用要单独授权)
仓库:
datalab-to/indra
