**MonkeyOCRv2：面向文档AI的视觉-文本基础模型刷新开源SOTA**

_MonkeyOCRv2: A Visual-Text Foundation Model for Document AI_

> HuggingFace社区推荐论文MonkeyOCRv2专为文档图像设计，解决通用视觉编码器在密集文本和精细笔画上的感知不足。该模型基于包含1.13亿张图像的MonkeyDoc v2语料库进行预训练，采用图像到文本生成与像素级重建联合学习策略。实验显示，其在OCR、公式识别等五大任务中均提升性能；作为多模态大模型的视觉编码器，其仅需0.7B参数即在MDPBench基准上超越3B参数的dots.mocr，创下新的开源SOTA。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-07-15 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.11562)