在通用大模型百花齐放的今天，AI技术正加速从“实验室惊艳”走向“产业落地”。近日，金山办公AI应用算法负责人孙亚博在上海携Monkey大模型亮相2026奇点智能技术大会，系统分享办公领域多模态大模型的探索实践。作为WPS AI的“视觉中枢”，Monkey模型让AI不再局限于处理纯文本对话，而是具备了跨越屏幕、识别万物的多模态交互能力。
金山办公为何坚持自研文档解析模型，而非直接调用通用大模型？孙亚博给出清晰答案，通用大模型是 “通才”，但文档解析需要 “专才”。办公场景中的财务报表、合同协议、发票票据、学术论文等，版式逻辑与语义结构高度复杂，通用模型仅能 “读懂文字”，却难以 “看懂版式、理解结构”。金山办公38年深耕所沉淀的核心壁垒，正是对文档底层结构的深度理解 —— 内容、表格、关联数据等关键信息的精准识别，这是通用模型无法替代的核心能力。
金山办公AI应用算法负责人孙亚博技术分享
孙亚博在演讲中直指行业三大困境：通用大模型在标准测试集表现惊艳，却在办公实际场景中频频失效。首先，模糊扫描件文字丢失、极密财报精度不足、折痕合同版式复杂，通用模型面临感知失效；其次，高清文档处理触发算力黑洞，Token数量指数级暴涨；再者，传统OCR采用 “俄罗斯套娃” 式多模型串联，前级1%偏差就可能会导致后级100%失败，误差累积难以控制。
MonkeyOCR v1.5突破多模态文档解析性能上限
面对三大核心痛点，金山办公坚持从办公场景出发、为办公场景而生，两年内完成Monkey 模型四次技术跃迁。值得一提的是，MonkeyOCR v1.5在全球权威文档解析评测榜单OmniDocBench V1.5中拿下93.01分的成绩，获得综合性能全球第一。
针对文档解析这一办公AI核心难题，MonkeyOCR首创SRR三元解析范式，以结构解析、内容识别、逻辑关联三步，彻底告别多模块串联架构。孙亚博强调：我们要给大语言模型装上眼睛，像人一样先看整体版式，再做局部精读。3B轻量参数实现英文性能超越Gemini 2.5 Pro，推理速度0.84页/秒，远超行业主流水平。v1.5版本更搭载视觉一致性强化学习，无需大量人工标注即可自我迭代，复杂表格、公式识别精度全球领先。
技术最终要扎根业务泥土。孙亚博分享，多模态进化不是盲目抛弃传统，而是传统模型与 VLM的深度融合。基于MonkeyOCR打造的图片翻译能力，覆盖52种语言互翻，历经图像超分、文本识别、回填渲染九大步骤，端到端平均耗时仅2秒，在复杂背景、艺术字体、多语种兼容场景表现远超其它产品。
据了解，Monkey模型是由金山办公联合华科发布。华中科技大学教授、博士生导师刘禹良表示，文档解析与理解是多模态AI的核心赛道，华科在计算机视觉、自然语言处理领域有深厚积累，而金山办公在文档格式理解、复杂信息抽取方面有38年的工程积淀。这种“学术前沿+工程落地”的互补，是双方合作的基础。
目前，Monkey模型已全面接入WPS AI、WPS 365全系产品，深度应用于文字表格智能粘贴、稻壳简历智能提取、拍照扫描高精度解析等核心办公场景，以原生AI能力提升用户办公效率，用户反馈在真实办公中提效高达80%，复杂表格、扫描件等非结构化文档的解析准确率从此前的不足60%提升至90%以上。