OvisOCR2：0.8B 端到端文档解析模型登顶两项基准

导语

文档解析正在从“多个模块拼接”的 OCR 流水线，转向更统一的端到端模型。OvisOCR2 Technical Report 介绍了一款 0.8B 参数量的文档解析模型：给定一张文档页面图像，它直接生成按自然阅读顺序组织的 Markdown，内容不仅包括普通文本，也覆盖公式、表格和视觉区域。

这类能力对论文解析、企业文档数字化、知识库构建和多模态 RAG 都很关键。相比先做版面检测、再做 OCR、再做表格或公式识别的传统流程，端到端方法的目标是减少中间误差传播，并让模型直接学习“页面到结构化文本”的映射。

核心要点

• 模型定位清晰：OvisOCR2 是 0.8B 规模的文档解析模型，面向单页文档图像输入，输出 Markdown 格式结果。
• 输出强调阅读顺序：模型不仅识别字符，还要把页面内容组织成自然阅读顺序，这对多栏排版、公式、表格和图文混排尤其重要。
• 数据引擎是关键：报告提到其数据引擎结合了过滤后的真实文档标注，以及由同一 HTML 来源生成的合成页面图像和 Markdown 目标，从而让图像与结构化标注保持一致。
• 训练流程较复杂：训练包括监督微调、在 4B 分支上进行带多组件奖励设计的强化学习、再将能力通过 on-policy 蒸馏迁移到 0.8B 模型，并结合模型融合。
• 公开基准表现突出：在 OmniDocBench v1.6 上，OvisOCR2 总体分数达到 96.58；在 PureDocBench 上，Avg3 分数达到 75.06。报告称其在这两项基准上均取得最高表现。
• 关注泛化能力：除公开基准外，团队还在内部基准上测试了更多长尾与困难场景，并表示 OvisOCR2 在对比方法中获得最佳整体表现。

意义与影响

OvisOCR2 的看点不只是分数，而是端到端路线在文档解析榜单上的位置变化。过去，高分系统往往依赖复杂流水线：版面分析、文本识别、表格还原、公式识别和后处理各自优化。OvisOCR2 把这些任务压缩到一个统一生成过程里，并以较小的 0.8B 模型规模取得强结果，说明文档解析模型可能进入更轻量、更易部署的阶段。

不过，素材主要来自论文摘要与页面信息，仍需等待更多第三方复现和实际业务场景验证。尤其是长文档、多页一致性、扫描质量较差的图片、非标准表格和多语言混排，都会影响真实落地效果。即便如此，OvisOCR2 已经提供了一个明确方向：未来的 OCR 不再只是“识字”，而是直接理解页面结构，并生成可用于检索、编辑和知识处理的结构化内容。

来源：Hugging Face Daily Papers