OvisOCR2 - 阿里ATH-MaaS团队发布的端到端文档解析模型

OvisOCR2是什么

OvisOCR2 是阿里 ATH-MaaS 团队推出的端到端文档解析模型，基于 Qwen3.5-0.8B 训练并完全开源。模型在 OmniDocBench v1.6 评测中以 96.58 分登顶榜首，具备对复杂版式文档的高精度识别与结构化提取能力，支持多栏排版、表格、公式等场景的解析，适用学术研究、档案数字化及企业知识库构建等文档智能处理需求。

OvisOCR2的主要功能

• 端到端文档解析：输入文档图像直接输出结构化文本，无需多阶段流水线拼接。
• 复杂版式识别：支持多栏排版、图文混排、表格嵌套等复杂文档布局的精准解析。
• 高精度 OCR 提取：在 OmniDocBench v1.6 上以 96.58 分取得第一，字符与段落识别准确率行业领先。
• 开源可部署：基于 Qwen3.5-0.8B 训练，模型权重与代码已开源至 HuggingFace。

OvisOCR2的技术原理

• 视觉语言模型架构：模型以 Qwen3.5-0.8B 为基座，融合视觉编码器与文本解码器，实现图像到结构化文本的端到端映射。
• 大规模文档预训练：在海量扫描文档、PDF 渲染图等数据上预训练，学习文档版式与语义关联。
• 端到端优化：摒弃传统检测→识别→后处理的多阶段流程，通过单一模型联合优化降低误差累积。
• 轻量高效：基于 0.8B 参数规模的小模型实现 SOTA 性能，兼顾推理速度与部署成本。

微信关注回复“开源”，加入AI开源项目交流群

如何使用OvisOCR2

• 环境准备：克隆 HuggingFace 仓库，安装依赖库（Transformers、PyTorch 等）。
• 加载模型：通过 AutoModelForCausalLM 加载 OvisOCR2 权重与对应分词器。
• 输入文档：将扫描件或截图转为张量格式，传入模型进行前向推理。
• 获取结果：模型直接输出 Markdown 或纯文本格式的结构化解析结果。
• 微调部署：基于自有文档数据继续微调，适配特定领域版式需求。

OvisOCR2的核心优势

• 评测榜首：OmniDocBench v1.6 以 96.58 分登顶，文档解析精度行业领先。
• 极致轻量：基于 Qwen3.5-0.8B 训练，仅 0.8B 参数即可实现 SOTA 性能，单卡流畅推理。
• 完全开源：模型权重与代码均已公开至 HuggingFace，无商业授权限制，支持自由二次开发。
• 端到端架构：模型摒弃传统多阶段流水线，输入文档图像直接输出结构化文本，显著降低工程维护成本。
• 复杂版式适配：原生支持多栏排版、图文混排、表格嵌套等复杂场景，无需额外规则后处理。

OvisOCR2的项目地址

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

OvisOCR2的同类竞品对比

维度OvisOCR2GOT-OCR2.0参数规模0.8B（Qwen3.5）约 0.5B评测成绩OmniDocBench v1.6 第一（96.58）多榜单领先开源协议完全开源开源可商用架构特点端到端视觉语言模型端到端通用 OCR部署成本极低，消费级 GPU 可跑极低擅长场景复杂版式文档结构化解析通用 OCR 与公式识别

OvisOCR2的应用场景

• 学术文献数字化：批量解析扫描版 PDF 论文，自动提取正文、图表标题与参考文献结构，加速科研资料整理。
• 企业档案管理：将历史纸质档案扫描件转为可检索的结构化数据库，降低人工录入成本。
• 金融票据处理：精准识别发票、合同中的关键字段与嵌套表格，支撑自动化财务审核流程。
• 教育资料整理：解析教材、试卷的复杂多栏排版，生成结构化电子资源便于在线检索与编辑。
• RAG 知识库构建：为文档问答系统提供高质量结构化文本输入，提升检索增强生成的回答准确性。