OvisOCR2 – 阿里ATH-MaaS团队推出的端到端文档OCR解析模型

OvisOCR2快速摘要

OvisOCR2是阿里于2026年7月发布的端到端文档解析模型，基于Qwen3.5-0.8B后训练构建，支持文本识别、表格解析、公式识别和版面理解，适用于文档数字化、知识库构建、智能档案管理及OCR自动化处理场景。

• 开发公司：阿里国际数字商业集团 ATH-MaaS 团队
• 发布时间：2026年7月24日
• 模型类型：端到端文档解析模型
• 使用要求：支持Transformers、vLLM与SGLang部署
• 开源情况：Apache 2.0开源协议
• 技术特点：端到端架构替代传统OCR流水线，据官方技术报告显示可直接输出完整Markdown文档
• 模型规模：约0.8B参数，基于Qwen3.5-0.8B训练
• 性能表现：据2026年OmniDocBench v1.6测试数据表明综合得分96.58
• 基准成绩：据PureDocBench公开测试数据表明Avg3得分75.06
• 多模态能力：支持文本、表格、公式与视觉区域解析
• 上下文处理：支持整页文档级理解与顺序阅读重建
• API支持：可通过OpenAI兼容接口进行部署调用

OvisOCR2的核心优势

• 端到端解析优势：采用视觉语言模型架构，将版面分析、文字识别和结构生成统一处理，减少传统OCR流程误差。据OmniDocBench v1.6测试显示综合得分96.58。
• 轻量部署优势：基于Qwen3.5-0.8B后训练，约0.8B参数规模，在较低显存环境运行，同时保持文档理解能力，适合企业私有化OCR部署。
• 复杂文档优势：支持表格、公式、图文混排解析，并输出Markdown结构。据PureDocBench测试数据表明Avg3得分75.06，适合论文和报告处理。
• 结构理解优势：通过模型训练学习页面布局和阅读顺序，可处理双栏论文、合同等复杂页面，提升文档重建和知识库导入效果。
• 开源生态优势：采用Apache 2.0协议开放，支持Transformers、vLLM和SGLang部署，可用于构建OCR API和企业文档自动化系统。

OvisOCR2的主要功能

• 文本识别功能：利用视觉语言模型完成页面OCR，例如输入扫描合同图片，可输出完整文字内容，并保留段落结构，适合文档数字化场景。
• 表格解析功能：识别图片中的行列关系并生成结构化表格，例如输入财务报表截图，可输出HTML或Markdown表格数据。
• 公式识别功能：支持数学公式视觉解析和LaTeX生成，例如输入论文公式区域，可输出可编辑公式代码，方便科研资料整理。
• 版面理解功能：识别标题、正文、图片和图表区域，例如输入研究报告页面，可恢复内容层级，提高知识库构建效率。
• Markdown输出功能：直接生成结构化Markdown文档，例如输入PDF页面后输出标题、列表、表格和公式内容，减少人工整理步骤。

OvisOCR2的技术原理

• 视觉语言架构：采用VLM架构，将视觉编码器与语言模型结合，通过图像输入理解文档内容，再生成结构化文本结果。
• 监督微调训练：基于Qwen3.5-0.8B模型进行文档数据训练，使模型学习图片与Markdown内容映射关系，提升OCR解析能力。
• 强化学习优化：利用奖励机制优化阅读顺序、表格结构和公式输出质量，通过训练提升复杂文档解析稳定性。
• 数据合成训练：结合HTML渲染生成合成文档数据，为模型提供图像与结构文本对应样本，提高版面理解效果。
• 结构化生成机制：推理阶段直接生成Markdown格式结果，将文字、表格和公式统一输出，降低传统OCR后处理复杂度。

OvisOCR2与主流模型对比

OvisOCR2与主流OCR模型对比

OvisOCR2、FireRed-OCR和Unlimited-OCR均属于新一代视觉语言OCR模型，重点解决复杂文档理解问题。OvisOCR2基于端到端架构，更强调Markdown结构生成和知识库场景应用；FireRed-OCR侧重OCR识别与文档解析能力；Unlimited-OCR覆盖多类型OCR任务。相比传统PaddleOCR，视觉语言模型减少了多个OCR流程之间的信息损失。不同模型性能差异主要来自训练数据、模型架构和任务优化方向，实际选择需结合文档类型、部署方式和API需求判断。

如何使用OvisOCR2

1. 获取模型：从OvisOCR2官方模型地址下载OvisOCR2模型文件，推荐使用BF16权重部署。配置16GB以上显存环境能够获得更稳定推理效果，并减少长文档处理时显存不足问题。
2. 安装环境：安装Transformers、PyTorch与vLLM环境，Python建议3.10以上版本。部署时可设置batch size为1至4，根据GPU显存容量调整并发处理能力。
3. 上传文档：输入PNG、JPG或PDF转换后的页面图像，建议分辨率保持1500像素以上。较高分辨率能够提高表格边界识别和小字体OCR准确率。
4. 执行推理：调用模型生成Markdown结果，可设置最大输出长度2048至4096 token。对于学术论文和合同文件，建议提高输出长度避免内容截断。
5. 结果优化：将输出Markdown导入知识库或文档系统进行校验，对于复杂表格和手写内容可进行人工复核，从而进一步提高企业级文档数字化质量。

OvisOCR2的局限性

• 长文档限制：当前模型以单页解析为核心设计，对于超长PDF仍需逐页处理后再合并结果。
• 手写识别限制：复杂手写体场景下准确率可能低于印刷文本。
• 多语言覆盖限制：目前重点优化文档解析任务，对于部分低资源语言表现仍依赖基础模型能力。

OvisOCR2相关资源

• HuggingFace模型库：https://huggingface.co/ATH-MaaS/OvisOCR2
• 魔搭：https://modelscope.cn/models/ATH-MaaS/OvisOCR2
• arXiv技术论文：https://arxiv.org/pdf/2607.13639

OvisOCR2的典型应用场景

• 企业文档处理：用于合同、报告等资料数字化，通过OCR解析和结构化整理，提高企业文档归档与检索效率。
• 学术资料整理：适用于论文、研究报告解析，可识别正文、公式和图表内容，方便科研知识库建设。
• 财务数据提取：支持财务报表、票据等文档解析，可提取表格信息，减少人工录入和数据整理成本。
• 知识库建设：可将PDF、手册等资料转换为Markdown结构内容，便于企业RAG系统和智能问答平台使用。
• 档案数字化：适用于历史文件、政务资料电子化，通过OCR识别提升档案管理和全文搜索效率。

OvisOCR2常见问题