OvisOCR3：0.8B模型将五类文档视觉任务合而为一

导语

OCR模型正在从“读出图片中的文字”走向“理解并重建文档”。发票、合同、论文和复杂报表往往同时包含正文、表格、图示与跨页结构，单一识别指标已经不足以衡量模型的实用性。Hugging Face Daily Papers 收录的 OvisOCR3 Technical Report，介绍了一款参数量仅为 0.8B 的统一OCR模型，目标是在较小规模下覆盖多种文档处理需求。

核心要点

• 统一五类任务。 OvisOCR3同时处理文档解析、通用OCR、关键信息抽取（KIE）、文档图表描述，以及跨页表格重建。它的输出不再局限于纯文本，还涉及字段、结构和视觉内容之间的关系。
• 训练重点不是简单混合数据。 团队使用真实数据与合成数据进行持续预训练，并在中期训练阶段采用领域均衡策略，缓解不同任务在数据规模和答案长度上的差异，避免数据量更大的任务主导训练。
• 借助多教师压缩能力。 模型通过五个领域专用的4B教师模型进行在线策略蒸馏，再配合按任务设置奖励的混合任务强化学习，把不同专家的能力迁移到共享的0.8B模型中。
• 覆盖面较完整的评测。 报告将其与通用视觉语言模型及专用OCR模型比较，涉及多项文档解析、OCR、KIE、图表描述和跨页表格基准。摘要显示，OvisOCR3在OmniDocBench v1.6、PureDocBench、Real5-OmniDocBench、MDPBench、OCRBench v2等测试中取得领先或较强结果；在图表定位和跨页表格关系建模方面也表现突出。

意义与局限

OvisOCR3的价值不只是“用更少参数达到更高分数”，更在于它展示了一条统一文档模型的工程路线：先用任务均衡控制训练分布，再用多个专用教师提供能力，最后通过任务相关奖励修正输出。这种设计有望降低部署多个OCR、抽取和表格模型的系统复杂度，也更适合资源受限的本地或边缘环境。

不过，基准成绩不能直接等同于所有业务场景中的可靠性。复杂版式、低质量扫描、行业术语和极长文档仍可能带来误识别或结构错误；跨页表格重建尤其需要检验异常分页和缺失内容下的稳定性。此外，报告摘要没有提供完整的延迟、显存占用、训练数据规模及各任务消融结果，实际选型仍应以公开权重、推理示例和目标数据集测试为准。总体而言，OvisOCR3更像是一个面向统一文档智能的轻量化探索，而非只追求单项OCR精度的模型。

来源：Hugging Face Daily Papers