OvisOCR2登顶文档解析榜
Littlepharaoh · reddit · 2026-07-15
作者分享了对 OvisOCR2（0.8B） 的实测，它是一个端到端文档解析 VLM，基于 Qwen3.5-0.8B 继续预训练，Apache 2.0 许可，可在 vLLM 0.22.1 上运行。模型在 OmniDocBench v1.6 上拿到 96.58，并且是第一个登顶该榜单的端到端模型，以前榜首基本都是“检测 + 裁切 + OCR + 重组”的流水线方案。
作者解释了端到端的优势：流水线 OCR 的问题往往出在版面检测阶段，一旦漏掉区域，文字就直接丢失；而端到端方案没有这个单点失败。也因此，部署更简单，只需一个模型和一套 serving stack。
随后作者给出自己用 827 份真实扫描医疗文档做的对比测试：OvisOCR2 相比 GLM-OCR pipeline，在 word-level F1 上整体更好，尤其尾部分位数提升明显，很多 pipeline 的失败案例都来自 layout detector 漏检。作者还记录了单卡 RTX 5090 的吞吐测试、DPI 取舍、重复输出 loop 的修复经验，以及 mm-processor-cache、ninja 等部署细节。
所属事件:OvisOCR2登顶文档解析榜并发布技术报告(2 条相关)→
「多模态」频道最新
- ComfyUI Krea2 风格提示词节点复活：新分支更新大规模风格库 — Winter_unmuted · 2026-10-27
- 无 LLM 调用的「创意生成器」：单个 HTML 文件在浏览器内产出复古海报 — Afinetheorem · 2026-10-27
- 网友用 Copilot 想象并归档自己的 80/90 年代冬季穿搭概念 — Valuable-Sky2134 · 2026-10-27
- 开源钢琴转写模型 Transkun 实测:连延音踏板事件都能准确识别 — alexanderchen · 2026-10-27
- fal 上线 FLUX 3 Image Klein LoRA 训练:支持 10 张参考图、单请求叠加 3 个 LoRA — OdinLovis · 2026-10-27
- 女朋友总想挤痘？网友用 AI 把她自拍做成可玩广告游戏 — CurieuxExplorer · 2026-10-27