轻量文字识别模型可在电脑处理文档，支持八十多种语言

发生了什么

Indra OCR 提供面向 CPU 的文档识别方案，把 PDF 和图片转成 Markdown、文本或带坐标 JSON，支持中文在内的八十多种语言及版面信息。模型页说明主拉丁识别器约 125 万参数，默认模型合计约 730 万参数、约七十六 MB。1

对整理扫描资料和建设知识库的小团队，入口价值是无需先准备显卡。

具体是什么

它使用 ONNX Runtime，区分数字 PDF 的文本层与真正需要识别的区域，并输出行、块、标签和阅读顺序。公式处理是可选路径，手写与复杂表格也有独立限制。模型卡把代码许可和权重许可分开说明，权重带有商业使用条件。1

这些区别很重要：一个很小的主识别器，不等于整套模型只有相同参数；能读取文字，也不代表已经还原所有表格结构。

怎么用

安装 indra-ocr 后，可用 indra-ocr paper.pdf 将文档转成 Markdown；启动 indra-ocr-viewer 可以在本地查看原页、识别文字、布局和坐标。1 首次运行会下载模型，之后可复用缓存。

建议先准备几页自己的常见资料：清晰印刷、倾斜扫描、含中文的表格和手写内容。分别检查漏字、阅读顺序、表格列关系以及页眉页脚是否干扰正文。不要只用一页最清晰的英文样本判断整套资料效果。

批量运行时先限制页数与处理核心数，记录错误类型和处理时间。进入知识库之前，保留页面来源与坐标，方便用户从摘要回到原始文档复核。

还可以将识别文本重新映射回原页，抽查脚注、跨页段落和多栏阅读顺序。知识库常会把这些结构错误当成正文继续传播，因此应把结构复核与单字准确率分开统计；对需要引用的资料，保留页码和原始文件比只保存一份纯文本更便于后续检查。

意味着什么

文档入库不一定总需要大型视觉模型。轻量 OCR 可以作为初步提取层，再把识别困难的页面交给更强模型或人工处理，形成按难度分配资源的流程。

小团队应优先比较可用文本比例与复核成本。处理速度很快但错误需要大量人工纠正，未必比速度稍慢但更稳定的方案划算。

局限与风险

模型卡中的吞吐来自明确机器与测试页面，不代表普通电脑都能达到相同速度。它还区分了主识别器、默认完整模型和可选公式模型的规模，使用时不要混淆。1

代码采用 Apache 2.0，权重使用修改后的 OpenRAIL-M，免费范围包含个人、研究和满足门槛的小企业，并有限制竞争用途的条款。1 正式商用前应读完整许可。当前仅核验说明和入口，未实际识别文件；中文、手写及复杂表格效果必须用自己的材料验证。