每次手动调整截图段落顺序，你已多花 7 小时/月

你是不是也这样：拍张会议资料照片，发给同事前得手动圈出重点；扫个PDF合同，想复制条款却总粘贴错顺序；甚至把一页论文截图丢进微信，对方说“表格和公式全糊成一块了”。

这些图里明明有标题、段落、编号列表，但复制出来全是断行错位的乱码；表格一粘贴就塌成一行；公式直接变成“□□□”或一堆问号。

现在主流做法是开会员——用 Adobe Acrobat 的“扫描转可编辑文档”，年费近 300 元；或者靠 OCR 工具再加人工校对，一小时改三页，眼睛酸、效率低、还容易漏。

还有人试过在线 PDF 转 Word 服务，结果发现：免费版限制每天 5 页，导出带水印；去水印要充 VIP；批量处理还得另付 API 调用费。

其实，有更省事的办法：一个叫 Dolphin-v2 的模型，专治“文档图乱、结构散、元素混”这三种病。

它替你省掉了什么

它不直接对标某款付费软件，但干的是同一类活：把一张图里的文字、表格、公式、代码块、图片、标题、段落，自动识别出来，并按阅读顺序排好。

不是“识别文字”，而是“还原文档本来的样子”。

这类服务在商业场景里通常打包进高价 PDF 工具或企业级文档中台。比如某知名 AI 文档平台，基础版单页解析收费 2 元起，批量处理要订年费套餐；高校采购的学术文献解析系统，起步价 5 万元/年。

而 Dolphin-v2 是完全开源的，连部署都不要你买云服务器——只要一台能跑 Docker 的 Linux 电脑，就能本地运行。

价格直接砍到零。

核心功能

拍的文档照片也能理清逻辑：不管是手机随手拍的会议纪要、白板笔记，还是扫描仪扫的旧合同，Dolphin-v2 能先判断这是“拍照文档”还是“数字原生PDF”，再用不同策略拆解。它不硬套统一模板，而是根据图像特征动态选路。比如拍歪的发票，会先做透视矫正再切分；而 PDF 原文则跳过图像增强，直奔语义结构分析。
表格和公式不再“失踪”：很多免费 OCR 只认横平竖直的表格，遇到合并单元格或斜线表就放弃；公式更常被当成乱码。Dolphin-v2 单独训练了表格结构识别和 LaTeX 公式还原模块，官方测试里 TEDS-S 表格得分达 88.06，远超前代。公式部分支持多行对齐、上下标、积分符号等常见数学结构，输出为标准 LaTeX 字符串。
多页 PDF 不用手动拆：以前得先把 PDF 拆成单页图，再一张张喂给工具。Dolphin-v2 支持整份 PDF 直接输入，自动分页、逐页解析、保持跨页表格完整性，这点连不少付费 API 都没做到。上传后，它会在后台调用 PyMuPDF 提取每页图像，再并行送入模型处理。
读序预测让内容可复制：它不只是框出文字，还会标出“这段该在第几行出现”。你复制出来的结果，就是人眼自然阅读的顺序，不用再拖着鼠标来回调换段落。每个文本块都附带 reading_order 字段，值为整数，数值越小越靠前。
轻量版 Dolphin-1.5 也能跑在普通机器上：0.3B 参数，官方明确说可在消费级显卡（如 RTX 3060）上推理。不需要 A100，也不需要 32G 显存，这对想本地跑又不想升级硬件的人来说，是个实在的门槛降低。启动时默认加载 int4 量化权重，显存占用约 3.2GB。
输出格式干净，直接进工作流：解析结果是标准 JSON，含每个元素类型、坐标、文本内容、嵌套关系。你可以把它接进 Notion 自动归档，或导入 Obsidian 做知识整理，不用再手动粘贴、调整层级。JSON 中每个元素都有 type 字段，值为 “text”、”table”、”formula”、”figure” 等，方便脚本过滤。

怎么开始用

去 GitHub 页面下载项目：打开 https://github.com/bytedance/Dolphin，点右上角绿色 “Code” → “Download ZIP”，解压到你电脑任意文件夹。注意别用浏览器自带的“保存页面”功能，那只会存 HTML，不是源码。
确认你的系统是 Linux（Ubuntu/CentOS/Debian 均可），已安装 Docker。如果没装过 Docker，官网有 3 行命令安装指南，约 2 分钟搞定。Mac 或 Windows 用户需额外启用 WSL2 或 Docker Desktop，README 里有对应说明链接。
进入解压后的文件夹，在终端运行 docker-compose up -d，等几分钟，服务就跑起来了。然后打开浏览器访问 http://localhost:8888/dolphin/，就能上传图片或 PDF 测试。首次运行会自动拉取预编译镜像，约 2.1GB，建议提前检查磁盘空间。