Datalab 发布了围绕 100 万参数识别模型构建的 OCR 工具包 Indra OCR，可输出文字、版面结构与阅读顺序。发布方自测称，它在 32 核 CPU 上每秒可处理 49.4 页，吞吐量分别为 PaddleOCR 的 PP-OCR 文本模型和 Tesseract 的 11.5 倍、16.9 倍；不过，默认模式的文本得分仍低于完整文档处理流水线 PP-StructureV3。
据 Datalab 公布的吞吐测试，各工具在同一台无 GPU 的 AMD EPYC 机器上，以 OCR 模式和默认设置处理同样的 300 页文档，每核运行一个单线程工作进程。32 核下，PP-OCR 和 Tesseract 分别达到每秒 4.28 页、2.92 页，Indra OCR 的 49.4 页为 3 次运行的平均值。
上述数据不含模型加载。将加载计入后，Indra OCR 通过 convert_many 处理 300 页任务的吞吐量为每秒 37.7 页。对于带有可用文本层的 PDF，它会直接读取文本层；发布方报告，这类页面的中位耗时为 130 毫秒，需要 OCR 的页面则为 304 毫秒。
Datalab 使用自建的 OmniParseBench 评测准确性，覆盖 2,937 页、16,288 项通过或失败测试。各工具使用默认设置，在 x86 的 4 个 vCPU 上逐页运行。
发布方自测显示，Indra OCR 默认模式总分为 62.1，高于 PP-StructureV3 的 58.4；文本得分为 41.3，低于后者的 55.6，但高于 PP-OCR 的 35.8 和 Tesseract 的 19.3。关闭文本层、仅使用 OCR 时，Indra OCR 文本得分为 33.5，略低于 PP-OCR。
该评测中，Indra OCR 默认模式单页中位耗时为 228 毫秒，PP-StructureV3 为 40,958 毫秒。后者因一个分片运行停滞，结果少计了 19 页。
数学识别默认关闭。开启 --math 后，额外识别器可输出带行内 LaTeX 的文本。官方报告总分升至 66.8，文本得分达到 57.5；表格得分则从 56.4 降至 54.8，原因是部分单元格数字被识别成数学内容。
Indra OCR 可输出 Markdown 或 JSON，并提供行与版块的边界框、版块标签和阅读顺序。Markdown 输出默认移除页眉、页脚，表格以 HTML 表示。
官方列出的局限包括：多级表头、合并单元格或无框线的复杂表格常丢失结构，暂不支持手写与竖排文字。扫描件和图片的 OCR 支持拉丁、西里尔、希腊、天城、孟加拉文字及简繁中文；阿拉伯文、日文假名、韩文等只能通过数字 PDF 的文本层读取。
代码已在 GitHub 的 datalab-to/indra 仓库公开，模型托管于 Hugging Face 的 datalab-to/indra-ocr，可通过 pip install indra-ocr 安装。
