论文页面 - OvisOCR2 技术报告

来源：https://huggingface.co/papers/2607.13639 作者：

,

,

,

,

,

,

,

,

,

,

,

摘要

我们推出 OvisOCR2，一个 0.8B 的文档解析模型。OvisOCR2 被设计为端到端解析器：给定文档页面图像，它以自然阅读顺序生成 Markdown 表示，涵盖文本、公式、表格和视觉区域。我们构建了一个数据引擎，结合了过滤后的真实文档标注与合成页面，后者的渲染图像和 Markdown 目标均源自同一 HTML 源。训练方案包括监督微调、在 4B 分支上采用多组件奖励设计的强化学习、将策略蒸馏到 0.8B 模型，以及模型融合。在 OmniDocBench v1.6 上，OvisOCR2 取得了 96.58 的最新总体分数，使一个端到端模型登顶此前由流水线方法主导的排行榜，突显了端到端文档解析的潜力。在 PureDocBench 上，OvisOCR2 也以 75.06 的 Avg3 分数获得最高成绩。除了这两个公开基准，我们还在一个内部基准上评估了 OvisOCR2，该基准旨在覆盖更广泛的长尾和挑战性场景。OvisOCR2 在对比方法中取得了最佳总体性能，进一步证明了其泛化性和鲁棒性。OvisOCR2 可在 https://huggingface.co/ATH-MaaS/OvisOCR2 获取。

查看 arXiv 页面（https://arxiv.org/abs/2607.13639）查看 PDF（https://arxiv.org/pdf/2607.13639）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2607.13639）

在您的代理中获取本文：

hf papers read 2607.13639

没有最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型1

ATH-MaaS/OvisOCR2 图像-文本-文本• 0.9B• 更新于约3小时前 • 745 • 121（https://huggingface.co/ATH-MaaS/OvisOCR2）

引用本文的数据集0

没有数据集链接本文

请在数据集的 README.md 中引用 arxiv.org/abs/2607.13639，以在此页面建立链接。

引用本文的空间2

包含本文的收藏1