datalab-to/indra

Indra OCR 是一个只有 100 万参数的轻量 OCR 模型，把 PDF 和图片转成 markdown、纯文本或带坐标框的 JSON，可以理解为 Tesseract 的现代替代品，但完全跑在 CPU 上，不需要 GPU 和 PyTorch。它支持 80 多种语言（含中日韩、阿拉伯文等），能识别手写、歪斜 45 度以内的扫描件，并输出每行每块的版面标签和阅读顺序，比如标题、列表、表格、脚注；遇到带文字层的数字 PDF，它只对缺失部分做 OCR。速度是它的主打卖点：32 核机器上约每秒 44 页，比 Tesseract 快 15 倍，4 核约 210 毫秒一页，精度在 OmniParseBench 上也超过 PaddleOCR 的完整流水线。适合需要批量处理文档的后端和数据工程岗位，比如把合同、发票、论文扫描件灌进 RAG 或数据管线的人；如果你只是偶尔转一两个文件，或者做的是手写、数学公式、复杂表格这类高难度场景，它未必是最优解，README 也明确建议那种情况用他们更大的 Chandra 模型。

Star 趋势

话题标签

仓库信息