📌 项目日期：2026年11月 | 数据来源：GitHub官方仓库 | 星数：1,620+
OCR赛道的"小钢炮"来了：Datalab 开源 Indra OCR——只有 100万参数，纯CPU运行，把PDF和图片转成 markdown / text / JSON（带边界框）。成绩单相当硬：OmniParseBench 66.7（开数学模式71.4），超过 PaddleOCR 全 PP-StructureV3 管线的 58.4；文本单项46.7，把 PP-OCR 文本模型（35.8）和 Tesseract（19.3）甩开。速度约44页/秒（32核），同机同页快 Tesseract 15 倍。
能力面：手写体、80+语言（拉丁/西里尔/希腊/中日韩/阿拉伯/波斯/乌尔都/希伯来/印地及印度语系/泰文/高棉文…）、横放倒置倾斜45度、浅色文字等真实世界扫描件都稳。文档解析的GPU路线对比 MiniCPM-OCR；网页侧提取用 Firecrawl。
| 项 | 数据 |
|---|---|
| 参数量 | 1M（真·轻量） |
| 精度 | OmniParseBench 66.7（--math 71.4） |
| 速度 | 44页/秒@32核；210ms/页@4核；15×Tesseract |
| 语言 | 80+（含中日韩阿拉伯印地泰高棉等） |
| 特技 | 手写、任意角度（±45°）、倒置、浅色文字 |
| 输出 | markdown / text / JSON（带框） |
git clone https://github.com/datalab-to/indra.git
pip install -r requirements.txt
# 纯CPU推理，无需GPU
# 输入PDF/图片 → 输出markdown/text/JSON（带边界框）Datalab的100万参数OCR模型：纯CPU运行，把PDF和图片转成markdown/text/JSON（带框），支持手写、80+语言、任意角度页面。
OmniParseBench 66.7（开--math到71.4），超PaddleOCR全PP-StructureV3管线的58.4；文本分46.7 vs PP-OCR文本模型35.8、Tesseract 19.3。速度约44页/秒（32核CPU），同机同页快Tesseract 15倍、快PP-OCR文本模型10倍，4核约210ms/页。
MiniCPM-OCR（1.3B）偏GPU高精解析；Indra（1M参数）纯CPU高速批处理——没有GPU或要大规模扫描件流水线，Indra更合适。