LightOnOCR-3：OCR 与版面抽取合体
以前做文档理解要拼一条流水线：OCR 一个模型、版面分析一个模型、图表识别再一个模型。LightOnOCR-3 把三件事塞进同一个模型：空提示就把整页转成 Markdown，输入 grounding 就给每个区块带上标签和 0–1000 归一化边框，顺带描述图片、把图表转成 HTML 表格。三个尺寸 0.8B / 1B / 4B，Apache 2.0，研究和商用都能用
工具界面
交互式工具即将上线
功能特点
- ✓ 一个模型同时做转写与版面：空提示走纯转写，grounding 提示加标签边框、图片描述与图表数据
- ✓ 三个尺寸 0.8B、1B、4B；0.8B 与 4B 采用 Qwen3.5 视觉语言架构，1B 沿用上一代架构
- ✓ 边框坐标归一化到 0–1000，按区块类型打标签，方便直接做版面重建
- ✓ 版面信息用紧凑的行内标记而不是 HTML 或 JSON 包裹，少花 token；图表数据仍用 HTML 表格表达
- ✓ Apache 2.0 许可，研究用途与商业用途都可以直接用，也能自托管
- ✓ 官方定位是给复杂文档理解流水线一个免维护、开箱可用的替代方案
使用步骤
- 先定任务：只要纯文本就发空提示，需要版面、图片描述和图表数据就发 grounding 提示
- 按硬件挑尺寸：本地或边缘场景上 0.8B，精度优先上 4B，1B 是沿用旧架构的中间档
- 部署走 vLLM、SGLang 或 Transformers，官方仓库带了最小客户端、CLI 与查看器
- 解析返回结果时按 0–1000 归一化坐标换算回像素，再按标签（如 header、footer、page_number）过滤掉无用区块
- 上线前用你自己的票证、报表、手写件做回归，官方基准不等于你的长尾
常见问题
LightOnOCR-3 有几个模型？
三个：LightOnOCR-3-0.8B、-1B、-4B。1B 沿用上一代架构，0.8B 与 4B 采用 Qwen3.5 视觉语言架构，官方说明是在精度、速度与算力之间取不同折中。模型页：https://huggingface.co/lightonai/LightOnOCR-3-4B
grounding 提示会返回什么？
在每个内容块前面加上带标签的边框标记，附上图片描述，并把图表里的数值抽成 HTML 表格。坐标归一化到 0–1000。官方博文 https://huggingface.co/blog/lightonai/lightonocr-3 有输出示例。
能商用吗？
能。Apache 2.0 许可，官方明确说明研究与商业用途都可以直接使用。
版面信息会不会很占 token？
官方专门做了优化：用紧凑的行内标记写标签与坐标，而不是把每个区域包进 HTML 或 JSON，从而把新增结构的 token 开销压下去。图表数据仍用 HTML 表格表示。
官方在基准上表现如何？
LightOn 的新闻稿称 LightOnOCR-3 在基准上领先于美国与中国的竞品模型，在法语文档与手写体上是当前最优，并称相比 LightOnOCR-2 增加了图片描述、图表数据抽取与结构保留能力。新闻稿见 https://www.lighton.ai/investors/documents/2026-10-08-lighton-releases-lightonocr-3-a-world-leading-model-family-for-docume.pdf ，具体数字建议以论文与官方基准复现为准。