OvisOCR2 – 阿里ATH-MaaS團隊推出的端到端文檔解析模型

OvisOCR2是什麼

OvisOCR2 是阿里 ATH-MaaS 團隊推出的端到端文檔解析模型，基於 Qwen3.5-0.8B 訓練並完全開源。模型在 OmniDocBench v1.6 評測中以 96.58 分登頂榜首，具備對複雜版式文檔的高精度識別與結構化提取能力，支持多欄排版、表格、公式等場景的解析，適用學術研究、檔案數字化及企業知識庫構建等文檔智能處理需求。

OvisOCR2的主要功能

• 端到端文檔解析：輸入文檔圖像直接輸出結構化文本，無需多階段流水線拼接。
• 複雜版式識別：支持多欄排版、圖文混排、表格嵌套等複雜文檔佈局的精準解析。
• 高精度 OCR 提取：在 OmniDocBench v1.6 上以 96.58 分取得第一，字符與段落識別準確率行業領先。
• 開源可部署：基於 Qwen3.5-0.8B 訓練，模型權重與代碼已開源至 HuggingFace。

OvisOCR2的技術原理

• 視覺語言模型架構：模型以 Qwen3.5-0.8B 爲基座，融合視覺編碼器與文本解碼器，實現圖像到結構化文本的端到端映射。
• 大規模文檔預訓練：在海量掃描文檔、PDF 渲染圖等數據上預訓練，學習文檔版式與語義關聯。
• 端到端優化：摒棄傳統檢測→識別→後處理的多階段流程，通過單一模型聯合優化降低誤差累積。
• 輕量高效：基於 0.8B 參數規模的小模型實現 SOTA 性能，兼顧推理速度與部署成本。

微信關注回覆“開源”，加入AI開源項目交流羣

如何使用OvisOCR2

• 環境準備：克隆 HuggingFace 倉庫，安裝依賴庫（Transformers、PyTorch 等）。
• 加載模型：通過 AutoModelForCausalLM 加載 OvisOCR2 權重與對應分詞器。
• 輸入文檔：將掃描件或截圖轉爲張量格式，傳入模型進行前向推理。
• 獲取結果：模型直接輸出 Markdown 或純文本格式的結構化解析結果。
• 微調部署：基於自有文檔數據繼續微調，適配特定領域版式需求。

OvisOCR2的核心優勢

• 評測榜首：OmniDocBench v1.6 以 96.58 分登頂，文檔解析精度行業領先。
• 極致輕量：基於 Qwen3.5-0.8B 訓練，僅 0.8B 參數即可實現 SOTA 性能，單卡流暢推理。
• 完全開源：模型權重與代碼均已公開至 HuggingFace，無商業授權限制，支持自由二次開發。
• 端到端架構：模型摒棄傳統多階段流水線，輸入文檔圖像直接輸出結構化文本，顯著降低工程維護成本。
• 複雜版式適配：原生支持多欄排版、圖文混排、表格嵌套等複雜場景，無需額外規則後處理。

OvisOCR2的項目地址

• HuggingFace模型庫：https://huggingface.co/ATH-MaaS/OvisOCR2

OvisOCR2的同類競品對比

OvisOCR2的應用場景

• 學術文獻數字化：批量解析掃描版 PDF 論文，自動提取正文、圖表標題與參考文獻結構，加速科研資料整理。
• 企業檔案管理：將歷史紙質檔案掃描件轉爲可檢索的結構化數據庫，降低人工錄入成本。
• 金融票據處理：精準識別發票、合同中的關鍵字段與嵌套表格，支撐自動化財務審覈流程。
• 教育資料整理：解析教材、試卷的複雜多欄排版，生成結構化電子資源便於在線檢索與編輯。
• RAG 知識庫構建：爲文檔問答系統提供高質量結構化文本輸入，提升檢索增強生成的回答準確性。