认字和找框能不能一次做完？LightOnOCR-3 把两步并了

文档 OCR 常被拆成两步：先认字，再另开一个模型找框、补图注、抽表。LightOn 把这两步并进同一个视觉语言模型。LightOnOCR-3 在 2026 年 10 月 8 日发了博文，权重公开，协议 Apache-2.0，三个规格是 0.8B、1B 和 4B。代码在 lightonai/LightOnOCR，权重在 Hugging Face 的 lightonai/LightOnOCR-3-0.8B 及同系列。

GitHub 代码仓还很新，大约 15 星；真正能复现的是权重和博客里的基准，而不是星数。空提示走整页转写，接地提示再补框、图注和表。

一个模型，两种用法

模型卡写得很具体。默认空提示输出整页 Markdown，覆盖表格、表单、收据、多栏和公式。加上接地提示后，输出带归一化到 0 到 1000 的标签框，还能给图写说明、把图表收成 HTML 表。架构基于 Qwen3.5，方便接进现有推理栈。建议把 PDF 渲到 400 DPI，长边 2048 像素。

命令行最短路径是：

lightonocr paper.pdf --mode grounding

仓库安装写的是 uv sync --extra vllm。也有 Hugging Face Space 演示。接地模式会多吐大约 25% 的 token，4B 平均大约从 1158 涨到 1433，用框换结构。

基准数字怎么读

博文给出的对照（越高越好）：4B 在 olmOCR-Bench 总分 86.3，ParseBench 五类 75.1，法文 fr-bench-pdf2md 74.1。0.8B 在多套评测上离 4B 不远，参数少一截。单卡 H100 上，紧凑输出格式比同结构基线大约多 14% 到 21% 的页吞吐。训练写了数据配比调整、多模型迭代接地、带图像增强的 SFT（Muon），以及在核过的框和合成检查上再做 GRPO。评测默认关掉 thinking。

这些是官方数字，不是第三方复现。用法上更该看：转写和接地能不能共用同一套权重，而不是再接一个检测头。

适合谁

适合要在本地或自建推理里把 PDF 变成带坐标 Markdown 的人，尤其是表格和多栏多的扫描件。0.8B 适合先打通流水线，4B 适合把分数顶上去。它不是通用视觉问答，也不该被写成「替代整套文档智能平台」。代码仓星数低，接口和脚本还可能改；跟的是权重和基准，不是那个 GitHub 数字。

和传统 OCR 引擎比，它一次给出结构和框。和更大的文档 VLM 比，它把规格压到 0.8B 这一档，部署账好算一些。如果你已经在用空提示转写、又缺框去对齐版面，这条接地模式值得试一页自家 PDF。