Indra OCR：100 万参数的小模型，CPU 上每秒读 49 页，比 Tesseract 快十几倍

这个项目能干嘛

Indra OCR 是 Datalab 出品的一个极轻量 OCR 模型，参数只有 100 万，却能在纯 CPU 上每秒读 49 页文档。它把 PDF 和图片转成 markdown、纯文本，或者带坐标框的 JSON。说白了，它干的是「把扫描件、截图变成能复制、能搜、能进数据库的文字」这件老活，但用一个小到离谱的模型，在没显卡的机器上就把事办了。对要在服务器批量处理合同、论文、票据的人来说，这意味着不用为 OCR 单独配一张卡。

为什么最近火了

OCR 看似是老课题，但「又快又准又便宜」永远是硬需求。Indra 的卖点恰恰打在这一点：它不需要 GPU，普通 x86 云主机的 4 核 vCPU 上每页延迟约 230 毫秒，吞吐比 Tesseract 和 PaddleOCR 快 11 到 17 倍。更狠的是精度——在 OmniParseBench 文本项上拿到 41.3 分，超过 PaddleOCR 的 PP-OCR（35.8）和 Tesseract（19.3）。这种「小模型干翻老牌大模型」的反差，让它三天就涨到 350 星以上，吸引了一批想降本的工程师。

技术亮点

它不是简单地识别字符，而是一条完整流水线：先做行检测（line detection）框出每行文字，再做 CTC 识别把图像转成字符序列，然后排好阅读顺序（reading order），最后输出结构化 markdown——标题、列表、段落都尽量还原。模型以 ONNX 格式发布，所以不挑框架，能在大多数推理环境里直接跑。输出还带坐标框（boxes），方便你做「这段文字在原图哪个位置」的回溯，做文档抽取的人会很喜欢。100 万参数意味着它内存占用极小，塞进一个边缘设备也不费劲。

适合什么人

我觉得它最对三类人胃口。一是后端/数据工程师，要在没有 GPU 的廉价机器上批量把文档转文本，省显卡钱；二是做文档智能、票据抽取的产品，需要又快又带坐标的结构化输出；三是研究者和边缘计算场景，想在一个小设备里跑 OCR 而不依赖云端。它不适合追求极致手写体或极端复杂排版的场景，那种还是得上更大的专用模型。

快速试用

安装就一行：pip install indra-ocr。模型权重在 Hugging Face（datalab-to/indra-ocr），也可以直接去 datalab.to 的 Playground 在线试。代码里把 PDF/图片丢进去，就能拿到 markdown 或带框 JSON，文档站 documentation.datalab.to 有完整 API 说明。

与竞品对比

和 Tesseract 比，Indra 又快又准，且输出结构化 markdown 而不是纯文本；和 PaddleOCR 比，它同机快 11-17 倍且精度更高，还免了 Paddle 那套较重的依赖；和云 OCR（AWS Textract、Azure）比，它完全本地、数据不出门、按页数零成本。简单说：Tesseract 是老黄牛，PaddleOCR 是壮马，Indra 是只吃得少跑得飞快的灵缇——在 CPU 这条赛道上，它把性价比拉满了。