一张PDF直接变Markdown:阿里这个0.8B小模型,把OCR流水线卷明白了

“OCR 真正难的不是认出字，而是把一整页的结构、顺序和格式一起带出来。”

你手里那堆扫描版 PDF、论文截图、会议纪要，最麻烦的往往不是看不懂，而是拿不出来。复制一段文字，表格散了；公式一多，格式就乱；双栏文档还常常前后串行。

阿里开源的 OvisOCR2 想解决的就是这件事：给它一页文档图片，它直接输出按人类阅读顺序排好的 Markdown。它在 OmniDocBench v1.6 拿到 96.58 分，首次让端到端路线超过传统流水线方案。

PART 01 · HOW IT WORKS

以前 OCR 像接力赛，现在想一棒跑完

传统文档解析通常要走好几步：先找版面，再识别文字、表格和公式，最后把碎片拼回去。任何一环看错了，后面很难补救。表格边界裁偏了，或双栏阅读顺序错了，识字再准也救不回来。

OvisOCR2 更像整页阅读。它不把页面拆成一堆小任务，而是看完整页后，一次生成最终 Markdown。标题该接哪段、表格该放在哪、公式前后是什么文字，都能放在同一份上下文里判断。

PART 02 · WHY 0.8B

0.8B 为什么能跑到前面

它的底座来自 Qwen3.5-0.8B。团队没有只靠堆参数，而是花力气做训练数据：真实文档负责覆盖扫描质量、字体和版式；合成页面专门补复杂表格、公式混排、多栏和长输出。

训练时，项目还先在更大的 4B 分支上做强化学习，再把能力蒸馏回 0.8B 模型。在 PureDocBench，它的 Avg3 达到 75.06。对使用者来说，最有感的是拿到的不是一段散文字，而是能继续编辑、喂给知识库或交给 AI 的 Markdown。

PART 03 · USE CASES

它适合谁用？先从这三类文件试起

论文和报告：公式、图表、双栏排版最考验解析。转成 Markdown 后，做笔记、翻译和问答都会顺手很多。

扫描资料：老合同、纸质讲义、会议材料，可以先解析，再人工核对关键字段，把图片档案变成可检索内容。

批量整理：实测视频演示了图片和 PDF 的处理：PDF 按页解析后会合成 Markdown，图片则直接生成对应文件。整理课程资料和技术手册时，能少掉不少逐页复制。

PART 04 · CHECK FIRST

开源不等于可以闭眼用

OvisOCR2 采用 Apache 2.0 许可证，模型页提供了基于 vLLM 的推理示例。不过它是文档页面解析模型，不是万能文件助手。复杂表格、手写字、低清扫描件和关键信息仍应抽查；官方也提示，输出可能出错或不完整。

别先拿它处理最重要的合同。先找一份你熟悉的论文或扫描讲义，对照原件和 Markdown，重点看 双栏顺序、表格、公式和页眉页脚。结果过关，再放进正式工作流。

LAST · 东哥说AI

这次有意思的不是又多了一个 OCR 工具，而是小模型证明了：文档解析不一定非得靠一串复杂组件才能做好。

如果你正搭知识库、整理论文，或者每周都要跟 PDF 打交道，OvisOCR2 值得留一个测试位。觉得这篇有用，欢迎点赞、在看、转发，我们下篇见。