发表机构
DP Technology（DP Technology）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出MolParser-Mobile，一个AutoML优化的轻量级端到端OCSR框架，仅含9.98M参数，在单块RTX 4090D GPU上实现每秒1520个分子的吞吐量，同时保持甚至超越现有方法的识别精度，解决了大规模化学文献挖掘中的推理瓶颈问题。
AI 中文摘要
光学化学结构识别（OCSR）是化学文献挖掘的基础组成部分，能够支持分子数据库构建、反应提取以及人工智能驱动的科学发现。尽管近年来基于深度学习的方法在识别精度上取得了显著进展，但推理吞吐量仍然是限制其网络规模部署的关键瓶颈。为解决这一挑战，我们提出了MolParser-Mobile，一个经AutoML优化的轻量级端到端OCSR框架。MolParser-Mobile仅包含998万（9.98M）个参数，在单个NVIDIA RTX 4090D GPU上达到了每秒1520个分子的吞吐量。尽管设计紧凑，它在多个基准测试上保持了具有竞争力的识别精度，并在若干基准上取得了更优的性能。
英文摘要
Optical Chemical Structure Recognition (OCSR) is a fundamental component of chemical literature mining, enabling molecular database construction, reaction extraction, and AI-driven scientific discovery. Despite substantial progress in recognition accuracy with recent deep learning-based methods, inference throughput remains a critical bottleneck that limits web-scale deployment. To address this challenge, we propose MolParser-Mobile, an AutoML-optimized lightweight end-to-end OCSR framework. MolParser-Mobile contains only 9.98M parameters, while reaching a throughput of 1,520 molecules per second on a single NVIDIA RTX 4090D GPU. Despite its compact design, it maintains competitive and, on several benchmarks, superior recognition accuracy.
