端到端文档解析模型OvisOCR2
Shiyin Lu · hf · 2026-07-16
这是一个 0.8B 文档解析模型 OvisOCR2 的技术报告，目标是把单页文档图像直接转成按自然阅读顺序排列的 Markdown，并覆盖文本、公式、表格和视觉区域。
作者构建了一条数据引擎：
- 使用过滤后的真实文档标注
- 再加入由同一 HTML 源渲染出的合成页面，保证图像与 Markdown 目标一致
训练流程包含：
- supervised fine-tuning
- 在 4B 分支上做强化学习，奖励设计由多个组件构成
- on-policy distillation 回到 0.8B 模型
- model fusion
结果上，OvisOCR2 在 OmniDocBench v1.6 上拿到 96.58 的总体分数，达到当时榜首；在 PureDocBench 上也取得 75.06 的最高 Avg3。作者还在自建的长尾和困难场景基准上做了评估，结果同样领先，说明它不仅在公开榜单上强，在泛化和鲁棒性上也表现不错。
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