LightOnOCR-3-4B

LightOnOCR-3-4B

读取文档页面图片，返回 markdown 文本，或带边界框的标注块、图片描述和图表数据。适合构建 OCR 和文档理解流程的开发者。

由 lightonai 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：LightOnOCR-3-4B 是 LightOn 的 LightOnOCR-3 系列中最大的紧凑型端到端 OCR 模型。它读取页面图片并写出文字，还可以返回每个块所在的位置、简短的图片描述和图表背后的数据。作者推荐它用于大多数 OCR 工作。

适合谁：它适合把扫描件、收据、表单和报告转成文字或结构化数据、并且想用一个模型而不是多步流程的开发者和数据团队。

行业 | 谁在用 | 怎么用 | 例子
文档处理 | 数据工程师 | 把页面图片转成 markdown 文本 | 把扫描的报告转成 markdown
财务和行政 | 后台团队 | 读取收据、表单和表格 | 从表单里提取一张表格
搜索和检索 | 流程构建者 | 把文字、图片描述和图表数据一起建立索引 | 让图表以表格形式可被搜索
研究 | 研究者 | 测试带边界框的版面感知 OCR | 对照页面检查块的标签

如果你需要特别小的模型，可以跳过它，因为这个系列还有 1B 和 0.8B 版本，速度更快。

用在哪里：

• 使用 transformers 库的 Python
• 接收页面图片的 OCR 和文档流程
• 模型卡链接的在线演示空间，可快速测试
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用例 | 谁用 | 得到什么
整页转写 | 开发者 | markdown 形式的页面文字
版面感知提取 | 流程构建者 | 每个都带标签和边界框的块
读取图表 | 分析师 | 装着图表数据点的 HTML 表格

如何设置：你需要 Python、下载工具，以及放得下权重的机器，BF16 下约 9.1 GB。

• Windows、macOS 或 Linux 上的 Python
• huggingface_hub 包
• 用来运行模型的 transformers 库
• 内存足够的 GPU 或其他硬件

1. 安装 huggingface_hub。
2. 把模型文件下载到你的电脑。
3. 用 transformers 加载模型，并给它发一张页面图片。

pip install -U huggingface_hub
hf download lightonai/LightOnOCR-3-4B

如何使用：可见的模型卡列出了两种模式，没有给出运行命令。你用空提示词调用模型得到纯转写，或用 grounding 提示词得到带标注的块。位置用从 0 到 1000 缩放的页面坐标给出。

工具 | 作用
Transcription mode | 接收空提示词，返回 markdown 形式的页面文字
Grounding mode | 接收 grounding 提示词，返回每个带类型标签和边界框的块

Grounding 输出会标出每个块的类型和框，后面跟着内容：

![title](80,70,920,140)
# Company report 2025

![text](80,175,920,225)
Revenue rose 20%.

示例：你用 grounding 提示词发送一页报告。标题块会带着 title 标签和它的框返回，段落带着 text 标签返回，图表则以其数据点的 HTML 表格返回。

新手与专家：如果你刚接触 OCR，它就是从页面图片里读出文字的软件。第一次可以用空提示词处理一张页面图片，再把得到的 markdown 和页面对照。

对熟悉这个领域的人来说，4B 和 0.8B 版本基于 Qwen3.5 视觉语言设计。作者说这让接入现有工具更容易，速度也有明显提升。1B 沿用 LightOnOCR-2 的架构，可以直接升级替换。

页面图片输入
提示词选择转写或 grounding
模型端到端读取页面
你得到 markdown 或带框的标注块

注意事项：Grounding 模式的标签包括 text、title、list、header、footer、page_number、footnote、caption 和 formula，模型卡里还列有更多。

• License: Apache 2.0，可用于研究和商业用途
• Cost to run: 未提及
• Data it reaches: 你发送的页面图片和下载的模型文件
• Not for: 需要极小体积的流程，因为这个系列有 1B 和 0.8B 版本可用

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：4.5B
• Weights: about 9.1 GB in BF16; about 2.3 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：15,491
• 点赞：143
• 许可证：apache-2.0
• Quantized versions: 16
• Fine-tunes: 4
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, document-understanding, visual-grounding, vision-language, tables, forms, conversational

链接

• 模型：https://huggingface.co/lightonai/LightOnOCR-3-4B
• 文件：https://huggingface.co/lightonai/LightOnOCR-3-4B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download lightonai/LightOnOCR-3-4B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。