OvisOCR2 – 阿里ATH-MaaS团队推出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

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。