OvisOCR2 文档解析模型

做文档 OCR 的同学应该深有体会：一张带表格、公式、多栏排版的扫描页，传统做法要排版分析→文字识别→表格重建→公式转 LaTeX……四五个模型串起来，哪个环节出问题都得回去排查。最近阿里云开源了一个叫 OvisOCR2 的模型，0.8B 参数，给一张图就吐出 Markdown，端到端，不用管中间过程。

是什么

OvisOCR2 是阿里云 ATH-MaaS 团队开源的端到端文档解析模型。输入文档页面的图像，直接输出按自然阅读顺序组织的 Markdown——文本、公式、表格、视觉区域全部一次性搞定。

它基于 Qwen3.5-0.8B 后训练而来，参数量仅 0.8B，约 1.7GB 的模型文件。在 OmniDocBench v1.6 榜单上，OvisOCR2 以综合得分 96.58 登顶，成为第一个超越传统流水线方法的端到端模型。

为什么值得关注

文档解析领域之前一直是流水线方法的天下。一张文档图进来，先拿去版面分析，分好文本框和区域；再送去 OCR 识别文字；表格区走专门的表格重建模型；公式区走 LaTeX 识别……四五个模型串在一起，各有各的误差，累积到最后结果经常惨不忍睹。

OvisOCR2 用的是一步到位的端到端架构：一张图片进去，一个模型出来。训练上它走了四阶段流程——监督微调→强化学习→在线策略蒸馏→模型融合，并且构建了真实文档与合成文档互补的数据引擎，让 0.8B 的小模型能榨出这么大的能力。

成绩单

在 OmniDocBench v1.6 上，OvisOCR2（0.8B）综合得分 96.58，超过 PaddleOCR-VL-1.6（95.77）、MinerU2.5（95.56）和 HunyuanOCR（93.64）。参数最小，得分最高。

怎么用

OvisOCR2 已全面兼容 vLLM，可以用 transformers 一行代码加载推理：

from transformers import AutoModelForCausalLM, AutoProcessor

model = AutoModelForCausalLM.from_pretrained(
    "ATH-MaaS/OvisOCR2",
    trust_remote_code=True
)
processor = AutoProcessor.from_pretrained(
    "ATH-MaaS/OvisOCR2",
    trust_remote_code=True
)

inputs = processor(images=["doc.png"],
    text="Extract as Markdown.",
    return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=4096)
print(processor.decode(output[0], skip_special_tokens=True))

不是没有槽点

公式识别还有提升空间。OmniDocBench 上的公式 CDM 得分是 97.5，比 PaddleOCR 的 98.0 略低。论文也提了这个问题——大约有 22/2352 个公式存在分割误差。

吞吐量一般。目前只支持 eager 模式，不支持 cudagraph 加速。实测一张 W7900 跑完 1651 页测试集约 1 小时。

中文文档表现。虽然模型基于 Qwen3.5 训练（对中文原生支持），但评测集以英文为主。中文竖排、古籍、双栏混排的真实表现建议自己跑几页看看。

跟同类怎么比

对比 PaddleOCR-VL-1.6：百度 OCR 流水线方案成熟，公式识别更强。OvisOCR2 综合得分更高，但纯表格+公式场景 PaddleOCR 可能更稳。

对比 MinerU2.5：精度高，文档预处理好，但 1.2B 参数部署成本更高。

我的建议：手里有 GPU 想跑文档 OCR，OvisOCR2 是目前开箱即用的好选择——轻量、开源、端到端，不用折腾串模型。

HuggingFace：ATH-MaaS/OvisOCR2
GitHub：AIwork4me/OvisOCR2-ROCm
原始项目：ATH-MaaS/Ovis ⭐1.5K
技术报告：arXiv 2607.13639

查看原文 → youtol.cn

关注我，每期分享一个帮你省事的强大工具