Moondream

YOLOX 是旷视科技推出的高性能无锚框目标检测模型，性能超越 YOLOv3~v5，支持 MegEngine、ONNX、TensorRT、ncnn 和 OpenVINO 等多种推理框架部署

🎯计算机视觉 / 目标检测

智谱 Z.ai 官方多模态 OCR 模型，0.9B 参数，OmniDocBench V1.5 登顶 94.62 分。支持文本/公式/表格识别与 JSON 结构化提取，推理速度 1.86 页/秒。内置 Multi-Token Prediction 层支持 vLLM speculative decoding，兼容 Ollama/SGLang 部署。

🎯复杂文档 OCR、学术论文公式提取、财务报表结构化

DeepSeek 开源的 3B 参数视觉语言 OCR 模型，采用创新的 Visual Causal Flow 架构，模拟人类阅读文档的因果视觉流，突破传统 raster scan 的局限。专为文档理解和文本提取设计，支持多栏布局和嵌套表格。Apache-2.0 许可。

🎯文档 OCR 和文本提取，特别是多栏布局、嵌套表格等复杂文档结构

开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。

🎯多模态内容理解与生成

百度开源的多语言 OCR 工具，75,995+ stars。支持 80+ 语言识别，提供超轻量级中文 OCR 模型（仅几 MB），可部署于服务器、移动端和嵌入式设备，是工业级 OCR 方案的首选

🎯多模态内容理解与生成

开源 OCR 引擎，73,620+ stars。由 HP 开发、Google 维护的顶级文字识别引擎，支持 100+ 语言，可识别图片、PDF、扫描件中的文字。结合 LSTM 神经网络实现高精度 OCR，是 AI 文档处理的基础设施。

🎯多模态内容理解与生成