Texo：仅 20M 参数的 SOTA 级 LaTeX OCR 开源模型
- Authors
搞科研的，免不了要写 LaTex，常写 LaTex 的，免不了会遇到不知道怎么打的公式，再或者有一堆现成的优美公式，想转换成 LaTex 代码。放几年前，这都是很麻烦的事，焦头烂额搞半天还不一定能做来个所以然。比如之前我一直比较纠结的是 $\sum\limits_{i=0}^{\infty} \frac{1}{2^i}$ 这种符号是怎么把下标放到 sum 符号下面的（秘诀在于添加一个 limits，即 \sum\limits）。这样的小问题遇到一次就知道了解决方案，但第一次解决都免不了要一番折腾与测试。
得益于深度学习的发展，以前很繁琐的事情，现在都能让 AI 轻松解决。
本文要介绍的 Texo (读作 /ˈtɛːkoʊ/)，为这个问题提供了一个简单易用的解决方案。作为一个仅包含 20M 参数 的轻量级模型，它不仅保持了 SOTA (State Of The Art) 级别的性能，还能直接在浏览器中运行。
核心特性
Texo 的设计理念是“极简”与“实用”，它具备以下显著特点：
- 极致轻量：仅 20M 参数，推理速度极快。
- 完全开源：基于 AGPL-3.0 协议，免费且开放。
- 低门槛训练：无需购买 4090，在消费级 GPU 上即可进行微调或训练。
- 端侧运行：支持 ONNX 导出，可直接在 浏览器中运行，保护隐私且零延迟。
- 教程级代码：代码结构组织清晰，不仅是工具，也是学习 OCR 模型开发的绝佳教程。
技术架构与性能表现
Texo 本质上是 PPFormulaNet-S 的蒸馏版本 (Distilled Version)，并在 UniMERNet-1M 数据集上进行了微调。这种策略使得 Texo 在大幅减少参数量的同时，最大程度地保留了模型的识别精度。
以下是 Texo 在 UniMERNet-Test 数据集上与主流大模型的对比测试结果：
| 模型 | 参数量 | 指标 | SPE | CPE | SCE | HWE |
|---|---|---|---|---|---|---|
| UniMERNet-T | 107M | BLEU | 0.909 | 0.902 | 0.566 | 0.883 |
| Edit Dist | 0.066 | 0.075 | 0.239 | 0.078 | ||
| PPFormulaNet-S | 57M | BLEU | 0.8694 | 0.8071 | - | - |
| Texo-distill | 20M | BLEU | 0.9014 | 0.8909 | 0.7034 | 0.8606 |
| Edit Dist | 0.0780 | 0.1042 | 0.1941 | 0.0995 |
从数据可以看出，Texo-distill 版本在参数量仅为 UniMERNet-T 五分之一的情况下，BLEU 分数（0.9014）与其（0.909）非常接近，且优于 57M 参数的 PPFormulaNet-S。也就是说，Texo-distill 提速不降质，轻量化带来了速度优势，但对识别准确率影响极小。
注：Texo-distill 使用了与 UniMERNet 相同的 Tokenizer，因此序列指标具备严格可比性。
实测体验非常快，图片上传后，识别完成也就不到一秒钟的时间。
快速上手
Texo 提供了非常现代化的 Python 开发体验，推荐使用 uv 进行包管理。
1. 环境配置
git clone https://github.com/alephpi/Texo
uv sync
2. 模型下载
项目提供了便捷的脚本从 Hugging Face 下载模型：
# 仅下载推理模型
python scripts/python/hf_hub.py pull
# 下载包含训练检查点的完整版（适合需要继续训练的开发者）
python scripts/python/hf_hub.py pull --with_useful_ckpts
3. 推理演示
下载完成后，可以直接运行项目中的 demo.ipynb 文件，体验从图片到 LaTeX 代码的转换过程。
训练指南
对于希望基于 Texo 进行二次开发或微调的研究者，作者提供了详细的训练指引。得益于轻量化的设计，硬件要求非常亲民。
硬件要求
- 最低配置：20G CPU 内存（配合流式数据加载） + 16G 显存（配合梯度累积）。这意味着高端游戏显卡（如 RTX 4080/4090）即可尝试训练。
- 推荐配置：50G CPU 内存 + 40G 显存。
- 作者环境：50G CPU 内存 + NVIDIA A40/L40S (46G)。
数据集准备
Texo 使用 UniMER-1M 数据集。为了方便开发者，作者提供了已经整理和归一化处理后的版本：
启动训练
项目使用 hydra 管理配置，支持灵活的训练启动方式：
# 启动标准训练
python src/train.py
# 从指定检查点恢复训练
python src/train.py training.resume_from_ckpt="<ckpt_path>"
# 调试模式 (快速验证代码)
python src/train.py --config-dir="./config" --config-name="train_debug.yaml"
训练过程的日志和可视化数据（Loss 曲线、BLEU 分数等）会自动保存在 outputs 目录，可通过 TensorBoard 查看。
小结
LaTex 小问题可以直接问 deepseek 或者豆包，但如果你对 LaTeX OCR 项目感兴趣，或者想自己搭建一个轻量级的离线 LaTeX OCR 方案，Texo 绝对值得一试。
资源
- GitHub 仓库: https://github.com/alephpi/Texo
- 在线体验: https://texocr.netlify.app