阿里开源AI文档解析模型OvisOCR2:0.8B参数,PDF/表格/公式一键转结构化Markdown!

7月15日，阿里巴巴ATH-Maas团队正式发布并开源OvisOCR2，一款面向文档解析任务的端到端视觉语言模型。

该模型仅包含0.8B参数，能够将 PDF、扫描件、图片文档等视觉输入，直接转换为结构化Markdown输出，覆盖文本、表格、数学公式以及视觉区域等多类文档元素。

在OmniDocBench v1.6测试中，OvisOCR2获得96.58综合得分，超过此前多个基于多模型流水线方案的文档解析系统。

OvisOCR2在OmniDocBench v1.6排行榜上的表现与其他领先的管道和端到端方法的比较

文档图片直接转换为Markdown

OvisOCR2并不是简单输出 OCR 文字，而是尝试恢复完整文档结构。

其中包含文档层级、表格关系、公式表达、阅读顺序。

这些结构信息可以直接用于后续AI检索、知识库构建等任务。

支持复杂表格解析

表格一直是文档解析中的难点。传统OCR往往

可以识别文字，但难以准确恢复行列关系、合并单元格、表格边界。

OvisOCR2在内部测试中，对复杂表格文档进行了评估。

结果显示：

表格漏检率达到7.96%；

除了标准电子文档，OvisOCR2也测试了手写内容场景。包括手写记录、历史档案、非标准格式文档。

OvisOCR2在手写文档上的表现与现有方法的对比

在内部手写文档测试中，模型取得72.28总分。

长文档结构支持

对于包含多个章节的长文档，模型需要保持：标题层级、上下文关联、内容顺序。

OvisOCR2在长篇多节文档中保持结构一致性的示例

企业知识库构建：解析企业 PDF、扫描文件，生成结构化内容，辅助 RAG 知识库搭建。

财务与业务文档分析：识别财报、报告中的表格和数据，辅助信息提取与分析。

学术论文与技术资料处理：解析论文结构、公式和图表，帮助科研资料整理与阅读。

合同、档案等文档数字化：处理扫描合同、手写档案，实现历史资料电子化管理。

AI Agent的文档输入层：作为 Agent 文档解析模块，让 AI 理解复杂文件内容。

项目地址：

GitHub：https://github.com/ATH-MaaS/Ovis技术报告：https://www.alphaxiv.org/zh/overview/2607.13639

欢迎扫码加入社群

一起交流AI前沿技术！

小编免费共享AI开源项目知识库，

实现大家的AI资讯自由！

直接扫码或点击链接即可查看！

AI开源项目知识库：https://qyxznlkmwx.feishu.cn/wiki/BwWIwsCOuiMWGmkUzNHcKLvPnPh