我们提出 MonkeyOCR，这是一种用于文档解析的视觉-语言模型，通过引入结构识别关系（SRR）三元组范式，推动了该领域的技术前沿。该设计简化了以往复杂的多工具处理流程（如 MinerU 所采用的模块化方法），同时避免了使用大型端到端模型（如 Qwen-VL 等大型多模态大语言模型）对整页内容进行处理所带来的效率低下问题。在 SRR 框架中，文档解析被抽象为三个核心问题：“它在哪里？”（结构）、“它是什么？”（识别）、“它是如何组织的？”（关系），分别对应布局分析、内容识别与逻辑排序。这种聚焦式的分解在准确率与处理速度之间取得了良好平衡，实现了高效且可扩展的处理能力，同时不牺牲精度。为训练与评估该方法，我们构建了 MonkeyDoc 数据集（迄今为止最全面的文档解析数据集），包含超过 390 万个实例，涵盖十余种文档类型，并覆盖中英文双语。实验结果表明，MonkeyOCR 在平均性能上比 MinerU 提升 5.1%，尤其在复杂内容（如公式识别提升 15.0%，表格识别提升 8.6%）方面表现突出。尤为引人注目的是，我们仅使用 30 亿参数的模型，便超越了参数量更大、性能更优的多个主流模型，包括 Qwen2.5-VL（720 亿参数）和 Gemini 2.5 Pro，在英文文档解析任务中达到当前最优的平均性能。此外，MonkeyOCR 在处理多页文档时速度显著更快，达到每秒 0.84 页，远超 MinerU 的 0.65 页/秒以及 Qwen2.5-VL-7B 的 0.12 页/秒。该 3B 参数模型可在单张 NVIDIA 3090 GPU 上高效部署，实现快速推理。