跳到主要内容

📄 升级了!泰语文档 AI,两款模型免费开源

2.1 版发布于 2026 年 11 月 18 日 · 2.0 版发布于 2026 年 11 月 12 日

升级了!OpenThai 2.1 OCR,因真实用户而变得更好:手机拍摄的文档照片(MDPBench)73.7 提升到 82.5,英文文档(olmOCR-bench)50.9 提升到 73.1,1935 年旧书的一页错误率从 21.5% 降到 4.8%

OCR Markdown 0.63BOCR Text 6.6 MB允许商用泰语 + 英语v2.1

是否遇到过这种情况? 扫描了一叠政府文件,或用手机拍下一份文档,想要其中的文字,OCR 却把表格读成一长行,分不清哪个数字属于哪一行,最后只好一格一格重新录入。

iApp Technology 的 OpenThai 团队开源两款泰语 OCR 模型,任何人都可以免费下载使用,也允许商用。2.1 版大幅提升了对手机拍摄文档的识别,并修复了 2.0 发布后用户反馈的问题(2.1 有哪些新内容)。

OpenThai 2.1 OCR MarkdownOpenThai 2.1 OCR Text
功能页面或文档照片 → Markdown,表格为 HTML(支持合并单元格),公式为 LaTeX,每个区块带边框与类别页面 → 按阅读顺序的文本,每行带边框与置信度
规模0.63B 参数1.60M 参数,ONNX 文件共 6.6 MB(检测器 1.8 MB、识别器 2.4 MB,以及用于无头字体的第二识别器 2.4 MB)
运行环境单张 NVIDIA GPU,使用 vLLM 部署;或通过 llama.cpp(GGUF)在 Mac 与 CPU 上运行仅需 CPU,无需 GPU
速度H100 上每页 1.5 秒;Apple M3 Max 上约每页 6 秒(GGUF)每页 0.39 秒;8 核约每分钟 950 页
基础模型NVIDIA Nemotron 3.5 ParsePaddlePaddle PP-OCRv6-tiny
许可证OpenMDW-1.1Apache-2.0
适用场景含表格的文档、文档照片、论文与幻灯片、为 RAG 准备文档大批量纯文本、无 GPU 的机器、不能离开本地的机密文件

1) OpenThai 2.1 OCR Markdown:表格仍是表格,手机照片也能读​

把泰语与英语文档页面读成 Markdown,表格输出为带 rowspan 与 colspan 的 HTML。它是在 NVIDIA Nemotron 3.5 Parse(0.63B)基础上的全量微调,因此保留 Parse 的版面框、区块类别与阅读顺序,凡能运行 Parse 的地方都能运行它。

2.1 新内容

  • 手机拍摄的文档照片,包括弯曲、折痕和阴影:MDPBench(泰语与英语,以照片为主)从 73.7 提升到 82.5;仅泰语从 72.7 提升到 80.7。
  • 新增 9 类页面: 学术论文、书籍、漫画、试卷、杂志、报纸、报告、幻灯片和教科书,泰语与英语。英文 PDF(olmOCR-bench)从 50.9 提升到 73.1;OmniDocBench v1.6 从 61.8 提升到 79.6。
  • 公式输出为 LaTeX。 页眉页脚不再混入 Markdown,空白页不再生成虚构文字,ำ 写成单个字符。
  • 泰国政府文件表格依旧准确: th-docs-tables v1 得分 94.0(2.0 为 95.2,差异不显著),Typhoon OCR V2 2B 为 91.6。
  • 规模与速度不变: 单张 NVIDIA H100 每页 1.5 秒。
  • 新增:用于 llama.cpp 的 GGUF 文件。 无需 vLLM 即可在 Mac 或 CPU 上运行,Apple M3 Max(Metal)上约每页 6 秒;在全部 30 页测试页上,其 Markdown 与原模型完全一致。

OpenThai2.1-OCR-Markdown-20261118:模型权重与含完整结果的模型卡huggingface.co/iapp/OpenThai2.1-OCR-Markdown-20261118

用于 llama.cpp 的 GGUF:在 Mac、CPU 或消费级 GPU 上运行,无需 vLLMhuggingface.co/iapp/OpenThai2.1-OCR-Markdown-20261118-GGUF

不想自己维护 GPU?iApp 的 OCR Markdown API 已升级到 2.1,每页 0.15 ICiapp.co.th/docs/ocr/document-markdown

模型th-docs-tables v1(65 页)ThaiOCRBench 表格(193 张)泰语印刷文本(12 个数据集)MDPBench 泰英(320 页)MDPBench 泰语olmOCR-benchOmniDocBench v1.6每页秒数
OpenThai2.1-OCR-Markdown94.069.590.282.580.773.179.61.5
OpenThai2.0-OCR-Markdown95.268.990.373.772.750.961.81.5
Nemotron 3.5 Parse(基础模型)91.368.389.079.677.462.480.11.8
Typhoon OCR V2 2B91.667.689.687.085.084.791.51.0

粗体为各列最佳(每页秒数为最快)。与 Typhoon OCR V2 2B 的配对 95% 区间:th-docs-tables 领先 +2.3 [+0.4, +4.8];ThaiOCRBench 表格与泰语文本差异不显著;MDPBench 落后 4.5 [−7.0, −2.0],主要在照片及照片中的表格;olmOCR-bench 与 OmniDocBench 落后约 12 分,主要在公式。MDPBench 未计入公式指标(CDM)。2.0 页面上的新皇家公报数据集尚未为 2.1 重新测量。全部细节见模型卡。

使用方法​

与基础模型一样用 vLLM 部署,再用模型自带的 nemotron_parse 包中 NVIDIA 的 DocumentParser 解析页面(边框与类别模式,单次处理)。vLLM 运行在 Linux 上;Windows 请在 WSL2 中使用。

hf download iapp/OpenThai2.1-OCR-Markdown-20261118 --local-dir OpenThai2.1-OCR-Markdown
pip install -e "./OpenThai2.1-OCR-Markdown[vllm,client]"
vllm serve ./OpenThai2.1-OCR-Markdown --served-model-name nemotron-parse --trust-remote-code
from nemotron_parse.inference import DocumentParser, GenerationError

with DocumentParser(base_url="http://localhost:8000/v1", model="nemotron-parse") as parser:
doc = parser.parse("page.png", mode="single")
print(doc["markdown"]) # Markdown;表格为带 rowspan/colspan 的 HTML;公式为 $$...$$
  • 想要 2.0 的输出格式?(Markdown 中保留页眉页脚,公式为 \(...\))可用 PostprocessOptions 设置,见模型卡。
  • 在 Mac 或 CPU 上: 使用 GGUF 文件与我们的 llama.cpp 分支(iapp-technology/llama.cpp,分支 nemotron-parse)。上游 llama.cpp 尚不支持此架构。
  • 分步指南(Windows、Mac 与 Linux,附读取图片和 PDF 的脚本):见 iApp 博客。指南为 2.0 编写,同样适用于 2.1,只需改用新的模型名称。

2) OpenThai 2.1 OCR Text:6.6 MB,无需 GPU​

在普通 CPU 上运行的泰语与英语印刷文本 OCR:PP-OCRv6-tiny 行检测器(1.8 MB)加上 iApp 训练的泰语行识别器(2.4 MB),使用 OpenVINO 或 ONNX Runtime 运行。它是 iApp Document OCR 背后的引擎。

2.1 新内容(沿用 2.0 的模型文件,新的运行时,以及用于无头字体的第二识别器)

  • 声调符号悬浮的旧书 不再丢失声调符号:在用户发来的一页 1935 年旧书测试页上,错误率从 21.5% 降到 4.8%(单页测试,不是基准测试)。
  • 无头字体(Kanit、Prompt、Sukhumvit Set)不再被读成拉丁字母。
  • 两栏和三栏页面 按栏读取;列表和表格仍按行读取。
  • 表格单元格中的单个数字或字母 不再丢失;用逗号表示小数的金额(如 "280,00")输出为 "280.00"。
  • Mac 与 Windows 上内存占用更少。
  • 12 个印刷数据集平均从 87.8 提升到 88.3,ThaiOCRBench 整页从 82.0 提升到 84.1。
  • 速度不变: 每页 0.39 秒,可离线运行,机密文件无需离开本机。

这些修复大多来自真实用户:Facebook 上的评论,以及 GitHub 上基于该模型的项目。谢谢大家。

OpenThai2.1-OCR-Text-20261118:ONNX 模型、运行时与 15 个引擎的对比huggingface.co/iapp/OpenThai2.1-OCR-Text-20261118

基于此模型的 iApp Document OCR API:纯文本每页 0.049 IC;Word、Excel 与可搜索 PDF 每页 0.15 ICiapp.co.th/docs/ocr/document

所有引擎读取相同页面、以相同方式评分:字符准确率 100 × (1 − CER),越高越好。

引擎12 个印刷数据集平均法院判决皇家公报预算文件古籍ThaiOCRBench手写
OpenThai2.1-OCR-Text(v2.1.1,CPU)88.297.096.399.678.883.810.3
OpenThai2.0-OCR-Text(v2.0.0,CPU)87.897.096.399.577.182.010.3
OpenThai2.0-OCR-Markdown(GPU)90.396.298.098.279.790.678.9
Typhoon OCR V2 2B89.696.294.697.377.287.376.7
NVIDIA Nemotron 3.5 Parse89.096.992.298.976.992.057.3
Typhoon OCR 1.5 2B87.592.492.597.278.671.494.5
Gemini 2.5 Flash87.194.792.681.077.988.886.7
dots.mocr86.496.393.199.576.378.839.4
OneOCR(Microsoft,Windows)85.095.196.699.878.681.891.0
Google Cloud Vision83.693.987.875.073.685.660.8
PaddleOCR 3 PP-OCRv5 (th)81.190.482.993.155.575.841.6
Qwen3.5-9B80.134.588.291.868.582.054.1
Tesseract 5 (tha+eng)75.471.782.371.352.275.026.4
PaddleOCR-VL 1.672.480.879.770.357.668.213.4
DeepSeek-OCR-269.092.884.791.455.277.53.9

粗体为各列最佳。2.1 一行为 v2.1.1 的结果,与模型卡一致;最新版本 v2.1.4 的 12 个数据集平均为 88.3,ThaiOCRBench 为 84.1。平均涵盖 12 个印刷数据集(预算文件、皇家公报、SEA-DocBench、维基文库古籍、行政法院判决、ThaiOCRBench、th-docs-tables 以及 3 个 OCR104 数据集),不含手写。完整表格及各引擎速度见模型卡。法院判决属于训练域内:训练数据包含其他法院文件。

使用方法​

hf download iapp/OpenThai2.1-OCR-Text-20261118 --local-dir OpenThai2.1-OCR-Text
pip install -r OpenThai2.1-OCR-Text/requirements.txt
cd OpenThai2.1-OCR-Text
from runtime.line_engine import LineOCR

ocr = LineOCR(".", threads=1)
r = ocr.read("page.png") # 路径、bytes、ndarray 或 PIL 图像
print(r["text"]) # 按阅读顺序的文本(逐栏输出)
r["lines"] # [{"text", "confidence", "row", "box"}]

如需高吞吐量,请每个 CPU 核运行一个 worker 进程,并设置 threads=1。

🔁 正在使用 2.0?​

  • 旧链接和旧模型名称仍然可用(iapp/OpenThai2.0-OCR-Markdown 与 iapp/OpenThai2.0-OCR-Text)。Hugging Face 会自动跳转到新名称,下载到的是 2.1。
  • 想保留旧版本,下载时传入 revision="v2.0.0"。
  • 为避免更新悄悄改变输出,可固定 revision="v2.1.0"(OCR Markdown)或 revision="v2.1.4"(OCR Text)。

🤔 为什么免费开源​

泰国政府机构、医院和企业中还有数以百万计的文档页面不能上传到境外云端。我们希望每个机构都能在自己的机器上读取它们。而任何想用自家文档搭建 AI 聊天机器人的人,第一步都是把文档读对。

⚠️ 坦白说:尚不擅长的地方​

  • 手机照片、英文页面和公式: Typhoon OCR V2 2B 仍然领先(MDPBench 87.0、olmOCR-bench 84.7、OmniDocBench 91.5)。下一版团队正在收集真实的泰语文档照片和公式数据。
  • 公式 仍是 OCR Markdown 最弱的部分。
  • 没有文字的图片和图表 仍可能返回虚构的文字(纯空白页现已跳过)。
  • 中文 不是目标语言,识别效果明显不如英文。
  • 整页手写 不是目标。OCR Markdown 仅能识别行级手写;OCR Text 只识别印刷文本。
  • 拍摄文字的短裁切图 效果不如整页:OCR Markdown 在 OCR104 文档照片上为 94.5。
  • 与泰国政府文件风格不同的表格 仍可能缺行或行合并错误。
  • 泰文数字 偶尔会被输出为阿拉伯数字。
  • OCR Text: 装饰性很强的字体可能识别错误,无头字体仍可能混淆个别字母(ท 与 า),印章会被输出为文本,bf16 速度需要支持 AMX 的 CPU(Sapphire Rapids 或更新)。

团队正在继续改进。也感谢 Typhoon 团队与我们一同提升泰语 OCR 的水平。

👨‍👩‍👧 OpenThai 2 家族​

模型功能规模状态
OpenThai 2.0泰语对话与推理 LLM,可读图27B已发布
OpenThai 2.0 Legal面向 RAG 的泰国法律模型30B-A3B已发布
OpenThai-SystemOne泰英决策模型(不生成文本)0.8B已发布
OpenThai 2.1 OCR Markdown页面 → Markdown,表格仍是表格0.63B11 月 18 日更新
OpenThai 2.1 OCR TextCPU 上的印刷文本 OCR6.6 MB11 月 18 日更新
OpenThai 2.0 ASR Streaming泰语实时语音转文字0.64B已发布

🏷️ 使用 OpenThai OCR 的应用​

如果你的应用使用这个模型,可以在 openthai.ai/powered-by 提交并列入名单,那里也有可放进应用的 Powered by 徽章。

Powered by OpenThai OCR

🤝 参与贡献​

  • 有任何 OCR 都读不出来的泰语文档(不含个人信息)?发给我们试试。
  • 欢迎在 Discord 和 Facebook 群组 交流。

📄 许可证与致谢​

  • OpenThai 2.1 OCR Markdown: OpenMDW-1.1,允许不受限制地使用,包括商用。它是 NVIDIA Nemotron 3.5 Parse(同为 OpenMDW-1.1)的衍生模型;分词器为 MIT 许可,我们的 llama.cpp 分支与 llama.cpp 一样采用 MIT 许可。Built on NVIDIA Nemotron。
  • OpenThai 2.1 OCR Text: Apache-2.0。检测器及识别器的起点为 PaddlePaddle 的 PP-OCRv6-tiny(Apache-2.0)。

由 iApp 开发,与 AIEAT 联合发布。

🙏 感谢 Siam AI​

Siam AI Corporation

两款模型均在 Siam AI Corporation 提供的 NVIDIA H100 GPU 上训练。衷心感谢他们一直以来对开放泰语 AI 的支持,也感谢 NVIDIA 提供 Nemotron 3.5 Parse。