0.8B OCR模型分数逼近35.1B大模型，参数仅其四十四分之一

LightOnOCR-3 是 LightOn 发布的新一代 OCR 模型家族，有 0.8B、1B、4B 三个尺寸。0.8B 和 4B 版本用 Qwen3.5 视觉语言架构，1B 版本保留上一代架构。

一个模型，两种模式

模型的工作方式看提示词。提示词留空，做纯转录，把页面文字变成文本。加上 grounding，每个内容块前会附上带标签的边界框标记，同时还输出图像描述和以表格形式提取的图表数据。坐标归一化到 0 到 1000，位置信息精确到块级。

拿到手的是一份带“地图”的文档：段落、标题、图片的位置一目了然。后续的可编辑、可搜索流程直接能用，不用手动重建版面。

图表数据，防的是“编”

图表数据提取时，先用 Qwen3-VL-235B 对每个图表区域生成一个 JSON 对象，记录类型、内容和置信度。随后图表被转换成一个 HTML 表格，要求每个柱、每个点、每个切片都覆盖。打印出来的数值原样抄录；没打印的，按轴刻度估算；读不出的格子，留空。

为了防止模型自己“脑补”数据，标注管道设了一道闸。两列数值完全相同、一列重复同一数值三次以上、某个值填满 60% 以上，撞上任何一种，整份图表表格都不输出。与其给一个看似完整实则虚构的结果，不如明确说数据不可靠。这套机制挡的是文档数据里最不该出现的错误。

小模型，不慢

性能上，LightOnOCR-3 在多个基准里拿出了接近甚至超过超大模型的分数。olmOCR-Bench 上，4B 版本总分 86.3，比 35.1B 参数的 Infinity Parser Pro 低 1.3 分；和同尺寸的 Chandra 2 比，高出 0.5 分。ParseBench 上，4B 和 0.8B 变体排前两名，得分 75.1 和 74.6。Infinity Parser Pro 的 74.3 落在后面。法语文档基准 fr-bench-pdf2md 上，4B 版本 74.1 分；0.8B 版本 70.5 分，差 3.6 分。

速度也没因为输出内容变多而慢下来。同样分辨率下，4B 版本每秒处理的页面比 Chandra-OCR-2 多 14%；单页延迟最低的是 1B 版本，只要 2.7 秒。token 效率也压下来了。grounding 模式下，0.8B 和 4B 生成的输出 token 平均比竞品少 9–14%。输出里还带着边界框、图像描述和图表数据。更少的 token 装更多内容。

开源与训练细节

模型以 Apache 2.0 许可证发布，研究和商用都行。权重可自由下载，企业不用付授权费，也能基于自身需求微调。

训练数据的配比体现了难点：公式页权重加倍，表格页权重三倍。另外加入了手写样本和 DocDuck 库生成的合成页面。全部采样里 78.1% 分给纯 OCR 任务，21.9% 分给 grounding 任务。

训练中的 grounding 数据由一套多模型管道自动标注。LightOnOCR-2-1B 负责参考转录。PaddleOCR 的 PP-OCRv6 做文本行检测和识别。PP-DocLayoutV3 与 Docling 提供版面信息；docTR 的 DB-ResNet50 做词级检测。

管道过滤很严格：只有 55% 的样本通过初始检查，后续递归恢复阶段再额外回收约 10%。目的只有一个，在训练前把低质量数据挡在门外。

强化学习阶段也卡得细。983 页高密度页面，平均每页 31.5 个边界框；1654 页中密度页面，平均每页 13 个边界框。这两组作为锚点，加上合成文档和空页。训练用 GRPO，组大小 8，生成与策略优化在不同 GPU 池上异步运行。每次运行用 600 个独特页面，不同随机种子之间只有 14–15% 的页面重叠。最后做参数平均，避免过拟合。

开放的另一面

LightOnOCR-3 没有针对基准测试定制训练数据或输出格式，但评分前会对原始输入应用归一化函数。训练和推理用到 MeluXina 和 Jean Zay 两处超算资源。

中文、阿拉伯语等非英语文档上的表现，目前没有数据。低质量扫描和手写混在一起的场景，也没谈鲁棒性。商业服务在复杂版面上的性价比，同样没有对比。

模型以 Apache 2.0 发布，等于把使用决定权放在下载者手里。权重没有任何门槛，开发者的控制力只到发布为止。