阿里发布 0.8B 的 OvisOCR3：多教师蒸馏+RL 拿下多榜 SOTA
ATH-MaaS · hf · 2026-10-28
阿里集团 ATH-MaaS 团队在 Hugging Face 发布 OvisOCR3 技术报告：一个仅 0.8B 参数的视觉语言模型，统一了文档解析、通用 OCR、关键信息提取（KIE）、图表描述、跨页表格重建等任务。
训练方法：先在真实+合成数据上继续预训练，用领域均衡的中训练平衡不同任务的数据量与响应长度差异；随后通过多教师在线蒸馏，把五个 4B 领域专家模型的知识压入共享模型，再用带领域奖励的混合任务强化学习收尾。
成绩：在 OmniDocBench v1.6 上取得总分 96.74，并在 PureDocBench、Real5-OmniDocBench、MDPBench 等公开与自建基准上拿到最高总分，超越通用 VLM 与专用 OCR 模型。
「多模态」频道最新
- 字节 Seedance 2.5 视频演示流出，称 AI 与纯电影差距终结 — CurieuxExplorer · 2026-10-28
- Genie 4 播放的跳棋机器人片段实为渲染,并非真实 Apollo 学习 — AIFlow_ML · 2026-10-28
- Genie 4 能想象机器人的一天，但机器人还无法在里面训练 — AIFlow_ML · 2026-10-28
- 百度 Unlimited OCR 2 实测：整文档单次解析无页数限制 — Baidu_Inc · 2026-10-28
- Opus 5.5 剪视频可替初级剪辑师，资深剪辑师日产出翻 5 倍 — dotey · 2026-10-28
- CodeCap-Bench:用可执行代码做视频描述,推理与重建更准 — Jiafu Tang · 2026-10-28