先平复一下心情，说个值得关注的消息——7月24日，阿里云低调开源了文档解析模型OvisOCR2。

这个模型以96.58的综合得分重新刷新了OmniDocBench v1.6榜单。更重要的是，它成为首个端到端模型超越流水线方法并登顶该榜单的选手。官方称之为“技术路线的重要突破”。从行业角度看，这确实不是一个虚词。

端到端模型首次超越流水线方法

文档解析是AI落地的基础设施

很多人可能不太清楚文档解析在AI落地中的位置。简单说，它是大模型落地的关键基础设施——企业知识库、RAG检索、智能问答等场景，都需要把PDF、扫描件等非结构化文档转化为结构化文本。这一步做不好，后面的一切都无从谈起。

流水线方法的痛点

过去这个领域的主导力量是“流水线方法”。拆分来看，它由版面分析模型和内容识别模型两部分组成：前者负责识别文档布局，后者负责文字、公式、表格等内容的识别，最后再拼接输出。这套方法成熟归成熟，但痛点也很明显——维护成本高、误差累积、部署复杂，属于典型的“三个和尚抬水喝”模式。

OvisOCR2的端到端突破

OvisOCR2走的是端到端技术路线：输入一张文档图像，模型在一次生成中直接输出符合自然阅读顺序的Markdown表示，覆盖文本、公式、表格和视觉区域。过去需要多个模型协作完成的工作，现在一个模型一步到位。在OmniDocBench v1.6上以96.58分登顶，这是第一次端到端模型用硬实力证明自己可以超越流水线方法。

小参数大能力，0.8B实现SOTA

让人意外的是，OvisOCR2的基座是Qwen3.5-0.8B——一个不到1B参数的紧凑模型。小参数能有多大能量？背后是团队构建的数据引擎体系：真实文档与合成文档互补，合成文档专门补充表格与公式交织、多栏版式、长输出等复杂场景。

训练方案融合了监督微调（SFT）、强化学习（RL）、在线策略蒸馏（OPD）和模型融合四阶段流程，形成多阶段递进式训练，把紧凑模型的潜力释放到了极致。

项目已开源发布，无缝融入千问生态

OvisOCR2以Apache 2.0许可证开源，兼容vLLM等主流推理框架，与Qwen3.5推理生态衔接。对于开发者来说，这意味着无需额外适配即可直接集成，省去了很多常规开源项目的“适配成本”。

模型获取方式：

• Hugging Face
• 魔搭
• 技术报告

《夸克》非常好用的免费AI浏览器

下载APP查看