7月24日,阿里巴巴宣布开源发布仅0.8B参数规模的文档解析模型OvisOCR2。在权威文档解析基准OmniDocBench v1.6评估中,该模型以96.58的综合得分登顶,成为首个全面超越传统流水线方法的端到端文档解析模型,标志着文档智能技术领域迎来突破性范式转折。

作为RAG检索、智能问答与企业知识库的核心基础设施,文档解析长期由“版面分析+内容识别”的流水线串联模式主导,面临维护成本高、误差逐级累积及部署复杂等瓶颈。基于Qwen3.5-0.8B后训练的OvisOCR2突破了上述限制,仅凭单模型一次生成即可按自然阅读顺序输出包含文本、公式、表格与视觉区域的Markdown表示。
在技术实现上,模型结合真实与合成数据互补的技术路径,并通过监督微调(SFT)、强化学习(RL)、在线策略蒸馏(OPD)及模型融合四大手段充分释放紧凑模型的潜力。
目前,OvisOCR2已基于Apache2.0协议在Hugging Face及魔搭社区全面开源,兼容vLLM等主流推理框架,可无缝无感接入千问生态。凭借小参数高效能的部署优势,该模型的推出大幅降低了高精度文档解析的显存与算力门槛,推动文档智能从复杂的系统工程向更简洁的高效模型驱动演进。
文档解析是RAG、知识库和企业搜索的底层入口,过去常依赖版面检测、OCR、表格识别等多阶段流水线,虽然成熟但链路长、误差易累积。OvisOCR2的意义在于把复杂流程收敛为单模型端到端输出,更适合高频、批量、低延迟的文档处理需求。相较传统方案,它更强调部署简化与整体效果,而非单点模块最优。
OvisOCR2为什么能超越传统文档解析流水线?
它采用端到端单模型方案,不再依赖“版面分析+内容识别”的多模块串联,因此能减少误差逐级累积、降低维护复杂度,并以一次生成方式输出结构化Markdown结果。
OvisOCR2适合哪些实际应用场景?
适合RAG检索、智能问答、企业知识库、合同与票据解析等场景。凡是需要把扫描件、PDF或复杂版面文档转成可检索、可引用文本的任务,都能受益于它的高效解析能力。
OvisOCR2开源后怎么部署和接入?
该模型已基于Apache 2.0协议在Hugging Face和魔搭社区开源,并兼容vLLM等主流推理框架,可较方便地接入现有千问生态与文档处理链路。
端到端OCR最适合哪些文档?
适合版式相对稳定、需要快速上线的场景,如合同、票据、报告和常规表格。因为它省去了多模块拼接和规则维护,部署成本低,尤其适合资源有限但追求整体效果的团队。
复杂表格和公式场景怎么落地?
先用端到端模型做主干识别,再对高风险区域做二次校验或局部重识别。对公式、嵌套表格和跨页内容,最好保留人工抽检与规则兜底,避免一次性全自动导致结构错误。
