OCRFlux

OCRFlux是由ChatDOC团队开源的**轻量级多模态工具包**，基于仅 3B参数 的视觉语言模型（VLM），能将PDF和图像高效转换为干净、可读的纯Markdown文本。它在复杂布局处理、表格解析和跨页内容合并上达到了当前开源领域的顶尖水平，被誉为“PDF转Markdown的SOTA（State-of-the-Art）工具”。

目前GitHub已获 2.5k+ Stars，深受开发者、研究者和企业用户的喜爱。

OCRFlux 网站截图

OCRFlux的核心亮点 🔥

1. 顶级解析质量，碾压同类工具
   • 在单页解析基准（OCRFlux-bench-single）中，平均EDS达到0.967，大幅领先olmOCR-7B（0.872）、Nanonets-OCR-s（0.858）等竞品。
   • 表格重建（TEDS指标）：简单表格0.912，复杂表格0.807，总分0.861，远超其他开源模型。
   • 支持多列布局、图表、插图、公式，并按自然阅读顺序输出，自动去除页眉页脚。
2. 开创性跨页智能合并 👏 这是OCRFlux最亮眼的功能——全球首个全面开源支持跨页表格和段落自动检测与合并的工具！
   • 自动识别跨页元素，智能拼接段落、处理重复表头、跨行单元格等。
   • 跨页检测准确率高达 0.986，表格合并TEDS达 0.950。 特别适合长文档，如金融年报、学术论文、法律合同等。
3. 真正轻量高效
   • 仅 3B参数，在 RTX 3090（12GB显存） 上即可流畅运行。
   • 推理速度比7B模型快 3倍以上，兼顾精度与成本。
   • 支持vLLM加速、Docker部署、离线推理和在线服务。
4. 结构化输出，保留原文档精髓 输出干净的Markdown，同时完美支持复杂表格（rowspan/colspan）、公式和图表描述，让后续编辑、知识提取或RAG应用更加轻松。

适用场景 📚

• 金融/企业：财报、合同、投资分析报告的结构化提取
• 学术研究：论文扫描、带公式和图表的文档数字化
• 法律领域：判决书、法规条文的高精度识别
• 出版与档案：书籍扫描、多栏杂志、历史文献处理
• AI开发者：构建高质量文档RAG系统或知识库

如何快速上手？ 🚀

安装（推荐conda环境）：

conda create -n ocrflux python=3.11
conda activate ocrflux
git clone https://github.com/chatdoc-com/OCRFlux.git
cd OCRFlux
pip install -e . --find-links https://flashinfer.ai/whl/cu124/torch2.5/flashinfer/

一键转换PDF：

python -m ocrflux.pipeline ./results --data your_document.pdf --model /path/to/OCRFlux-3B
python -m ocrflux.jsonl_to_markdown ./results

支持批量处理文件夹、图像输入、跨页合并开关、GPU内存优化等参数。还提供Docker镜像和vLLM在线部署方案，部署非常友好。

为什么强烈推荐OCRFlux？

与其他OCR工具相比，OCRFlux真正做到了轻量 + 高精度 + 跨页智能的完美平衡。它不是简单识别文字，而是像人类一样“理解”文档结构，还原自然阅读体验。无论你是个人开发者、研究者还是企业用户，都能大幅降低文档处理成本，提升数据质量。