datalab-to/indra

它是什么

Indra 是 Datalab 开源的纯 CPU 文档 OCR 工具链，用 Python 编写，覆盖行检测、CTC 文字识别、阅读顺序还原到 Markdown 输出全流程。模型基于 ONNX 推理，无需 GPU 即可跑出接近实时的速度，专门为 PDF 与扫描件解析设计。

核心亮点

• CPU 优先：ONNX 优化推理，普通服务器即可部署，省下 GPU 成本
• 端到端：检测→识别→排序→Markdown 一条龙，输出可直接喂给 LLM
• 阅读顺序：多栏、表格、复杂版式也能还原成合理文本流
• 轻依赖：Apache-2.0 许可，集成进现有 pipeline 门槛低

为什么火

文档解析是 RAG 和 AI 应用里最脏最累的一环。市面上高精度方案大多绑 GPU 或闭源 API，Indra 用 CPU 就能跑出可用质量，且直接产出结构化 Markdown，正好卡在“自托管 + 低成本 + 够用”的甜点位上。

适合谁用

需要批量解析 PDF 的 RAG 开发者、做文档智能化的中小团队，以及没有 GPU 资源但想自建 OCR 服务的工程师。

快速上手

pip install indra

参考仓库 README 加载模型，对 PDF 或图片调用解析接口即可得到 Markdown。建议先用小样本验证版式支持度，再接入生产流程。