核心定位：一个只有 100 万参数的 OCR 模型，不用显卡、不用 PyTorch，普通 CPU 每秒读 49 页 PDF，比 Tesseract 快 17 倍——扫描件、论文、合同转文字，老笔记本..." />

核心定位：一个只有 100 万参数的 OCR 模型，不用显卡、不用 PyTorch，普通 CPU 每秒读 49 页 PDF，比 Tesseract 快 17 倍——扫描件、论文、合同转文字，老笔记本也能跑。

什么是 Indra OCR？

2026 年 10 月 13 日，Datalab（Marker、Surya 背后的团队）开源了 Indra OCR：一个 1M 参数的 OCR 模型，专门为 CPU 高吞吐设计。它把 PDF 和图片转成 Markdown、纯文本或带坐标框的 JSON。

关键数字（官方 OmniParseBench 基准，同一台机器、同一组 2937 页文档、同一评分脚本）：

• • 吞吐：32 核 CPU 每秒 49.4 页，是 PaddleOCR PP-OCR 文本模型的 11.5 倍、Tesseract 的 16.9 倍
• • 延迟：4 核 vCPU 每页约 230 毫秒，比 Tesseract 快 12–24 倍
• • 准确率：文本得分 41.3，高于 PaddleOCR PP-OCR 的 35.8 和 Tesseract 的 19.3；综合得分 62.1 超过 PaddleOCR 完整管线 PP-StructureV3（58.4）
• • 体积：模型仅约 18 MB，基于 ONNX Runtime，不需要 PyTorch

✨ 核心功能一览

不只是文字识别。Indra 输出的是结构：每一行都有 bounding box，每个布局块（标题、列表、表格、脚注、页眉页脚）都有框、标签和阅读顺序。页面倒置或倾斜会自动转正。

真实输出示例 1——倒置扫描页：整页上下颠倒，Indra 自动转正，按顺序读双栏并识别标题。

真实输出示例 2——带表格的期刊页：两个表格直接输出为 HTML，带表格标题。

真实输出示例 3——中文论文：OCR 支持简体中文和繁体中文，含中文字符的行自动走中文识别器。

真实输出示例 4——多栏排版：多栏文档按阅读顺序输出，不会把左右栏混在一起。

️ 快速上手：5 分钟跑通示例

    
    
    
  pip install indra-ocr

indra-ocr paper.pdf                    # 输出 Markdown
indra-ocr *.pdf --out results/         # 批量处理，自动用满所有核心
indra-ocr scan.png --format json       # 输出带坐标框的 JSON
indra-ocr paper.pdf --math             # 数学公式转 LaTeX
indra-ocr-viewer                       # 本地可视化查看器 http://localhost:8765

第一次运行会自动从 Hugging Face 下载约 18 MB 模型，之后缓存本地。要求：Python 3.10+，Linux/macOS（Windows 需 WSL），无 GPU 也能跑。

数字 PDF 更聪明：如果 PDF 自带文本层，Indra 直接读文本层（每页仅 130 毫秒），只对缺失部分才 OCR——不重复干活。

与竞品对比

引擎每页耗时32 核吞吐文本得分 Indra OCR（默认）228 毫秒49.4 页/秒41.3Indra OCR（--math）约 360 毫秒约 30 页/秒57.5PaddleOCR PP-OCRv62685 毫秒4.28 页/秒35.8Tesseract 55496 毫秒2.92 页/秒19.3PaddleOCR PP-StructureV340958 毫秒约 0.18 页/秒55.6（总分 58.4）

注意诚实边界：纯 OCR 模式（不读文本层）下 Indra 文本得分 33.5，略低于 PP-OCR 的 35.8；PP-StructureV3 在纯文本单项更强，但每页慢约 180 倍。

适用场景

• • 批量扫描件转文字：1000 页合同、论文，几分钟跑完
• • RAG 知识库预处理：每行每块的坐标和阅读顺序，直接喂给检索管线
• • 论文/报告转 Markdown：标题、列表、表格自动结构化
• • 中文文档：简体繁体都支持（中文测试 64.7 分）

不适合：手写（测试仅 8%）、复杂合并单元格表格、阿拉伯语/泰文等扫描页、竖排文字。官方建议这类场景用其托管平台 Chandra。

定价方案

• • 代码：Apache 2.0，完全开源
• • 模型权重：修改版 OpenRAIL-M——研究、个人使用、融资/收入低于 2000 万美元的初创公司免费
• • 更宽的商业授权走 Datalab 定价页

总结

Indra OCR 的取舍很清晰：用 1M 参数换 49 页/秒的 CPU 吞吐，干净印刷文档够快够准，手写和复杂表格交给更重的模型。对普通用户意味着：不用买显卡、不用装 PyTorch，一条 pip install indra-ocr 命令，老电脑也能把一摞 PDF 秒级转成可搜索的文本。