OvisOCR2：0.8Bのエンドツーエンド文書解析モデルが主要ベンチで首位級に

導入

文書解析の分野では、従来の OCR パイプラインから、ページ全体を一つのモデルで理解するエンドツーエンド型への移行が進んでいます。OvisOCR2 Technical Report で紹介された OvisOCR2 は、0.8B パラメータ規模の文書解析モデルで、文書ページ画像を入力すると、自然な読順に沿った Markdown 表現を生成します。

このモデルが対象とするのは単なる文字認識ではありません。通常のテキストに加え、数式、表、視覚領域も扱う設計になっています。論文、業務文書、マニュアル、帳票などを検索・編集・知識ベース化するには、文字列だけでなく、構造やレイアウトの再現が重要です。その意味で、ページ画像から構造化テキストへ直接変換するアプローチは実用面でも注目されます。

主要ポイント

• 0.8B の軽量設計：OvisOCR2 は 0.8B 規模の文書解析モデルで、単一ページ画像から Markdown を生成します。
• 自然な読順を重視：多段組み、図表混在、複雑なレイアウトでは、認識した要素をどの順番で出力するかが品質を左右します。
• データエンジンの工夫：実文書のフィルタ済みアノテーションに加え、同一 HTML ソースからレンダリング画像と Markdown 目標を生成した合成ページを組み合わせています。
• 複数段階の学習手法：教師あり微調整、4B 分岐での多要素報酬設計による強化学習、0.8B モデルへの on-policy 蒸留、モデル融合を組み合わせています。
• 公開ベンチマークで高スコア：OmniDocBench v1.6 では総合スコア 96.58、PureDocBench では Avg3 75.06 を報告しており、いずれも最高水準の結果とされています。
• 難しいケースへの評価：公開ベンチマーク以外にも、長尾で困難なシナリオを含む社内ベンチマークで評価し、比較手法の中で最良の総合性能を得たと報告されています。

意義と影響

OvisOCR2 の重要性は、単に高いスコアにあるだけではありません。これまで文書解析の上位手法は、レイアウト検出、OCR、表認識、数式解析、後処理を組み合わせるパイプライン型が主流でした。OvisOCR2 は、これらを一つの生成プロセスに近づけ、比較的小さな 0.8B モデルで強い結果を示した点が注目されます。

一方で、実運用では追加検証が必要です。低品質スキャン、多ページ文書、特殊な表、多言語混在、分野固有のレイアウトなどは、公開ベンチマーク以上に難しい場合があります。それでも OvisOCR2 は、OCR が単なる文字起こしから、文書構造を理解して機械処理しやすい形式に変換する技術へ進化していることを示しています。

出典：Hugging Face Daily Papers