---
title: "OvisOCR2 – 阿里ATH-MaaS团队推出的端到端文档解析模型"
url: "https://paooo.com/aigc-news/30661/"
author: "Prompt 语宙研究院"
published_at: "2026-07-15T14:22:21+08:00"
updated_at: "2026-07-15T14:22:21+08:00"
categories: "AIGC 资讯"
tags: "HuggingFace, PyTorch, 大模型微调, 开源大模型, 通义千问"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# OvisOCR2 – 阿里ATH-MaaS团队推出的端到端文档解析模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/30661/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-15

## AI 30 秒核心看点 (TL;DR)

- 基于 Qwen3.5-0.8B 的端到端文档解析模型，直接输出结构化文本，减少多阶段流水线误差。
- 在 OmniDocBench v1.6 取得 96.58 分第一，尤其适合多栏、图文混排、表格嵌套等复杂版式。
- 模型权重与代码已开源至 HuggingFace，支持消费级 GPU 部署与领域微调。

## 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](https://ai-bot.cn/qwen3-5/) 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
OvisOCR2
[GOT-OCR2.0](https://ai-bot.cn/got-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。

## 常见问题解答 (FAQ)

### OvisOCR2适合解析哪些文档？
OvisOCR2 主要适合复杂版式文档解析，包括多栏排版、图文混排、表格嵌套、公式等场景。可用于论文、档案、票据、教材等扫描件的结构化提取与数字化整理。

### OvisOCR2和传统OCR有什么区别？
传统 OCR 往往依赖检测、识别、后处理等多阶段流程；OvisOCR2 是端到端文档解析模型，输入图像后可直接输出结构化文本，能更好处理复杂版式并降低工程维护成本。

### OvisOCR2可以怎么部署使用？
可从 HuggingFace 克隆仓库并安装 Transformers、PyTorch 等依赖，再用 AutoModelForCausalLM 加载模型与分词器，输入文档图像后获取 Markdown 或纯文本结果，也可基于自有数据继续微调。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
