阿里開源 0.8B 文檔解析模型 OvisOCR2，端到端模型首次超越流水線方法

阿里雲於今日正式開源全新文檔解析模型 OvisOCR2，這款僅有 0.8B 參數的輕量級模型，在 OmniDocBench v1.6 榜單上以 58 分的綜合得分刷新紀錄，成為首個在該評測中超越傳統流水線方法的端到端模型。官方表示，這項成果標誌著文檔解析領域的技術路線迎來重大突破，也為大模型落地應用提供了更高效、更穩定的基礎設施選項。 文檔解析是當前大規模語言模型落地的關鍵環節之一，無論是企業知識庫建置、RAG（檢索增強生成）系統，還是智慧問答與文件自動化處理，都需要將 PDF、掃描件等非結構化資料轉換為結構化文字。過去，業界普遍採用「流水線方法」來處理這項任務，流程上通常先由版面分析模型辨識文件的佈局結構，再交由內容識別模型分別處理文字、公式、表格等元素，最後將各區塊的結果拼接輸出。 這種多階段串聯的做法雖然經過多年發展已相當成熟，但隨著應用場景日益複雜，其固有缺點也逐漸浮現。首先，流水線方法需要維護多個獨立模型，部署與升級成本高；其次，前端版面分析的誤差會不斷累積到後續的內容識別階段，導致最終輸出品質不穩定；此外，不同模型之間的通訊與協調也增加了系統的複雜度，對於需要快速迭代的企業用戶來說，往往成為效率瓶頸。 OvisOCR2 的推出則從根本上改變了這項遊戲規則。它採用端到端技術路線，使用者在輸入一張文檔圖像後，模型能夠在一次生成過程中直接輸出符合自然閱讀順序的 Markdown 表示，涵蓋文字、公式、表格以及視覺區域等所有元素，無需再經過版面分析與內容識別兩個獨立步驟。這種簡潔的架構不僅大幅降低了維護與部署的門檻，也有效避免了誤差累積的問題。 根據阿里雲公布的測試結果，OvisOCR2 在 OmniDocBench v1.6 的綜合評分達到 58 分，超越所有現有流水線方法，成為該榜單上的第一名。OmniDocBench 是業界公認的文檔解析評測基準，涵蓋多種文件類型與複雜排版，能夠全面評估模型的解析能力。OvisOCR2 的勝出，說明了端到端路線在實際應用中已具備足夠的競爭力。 值得注意的是，OvisOCR2 的參數量僅為 0.8B，相較於許多動輒數十億參數的模型來說，體積極為輕巧，卻能實現超越傳統流水線方法的表現。這也反映出阿里雲在模型設計上對於效率與精準度的平衡考量，讓更多中小型企業也能在有限資源下導入高品質的文檔解析能力。 阿里雲本次開源 OvisOCR2，延續了其在 AI 開源社群的一貫策略，讓開發者與研究人員能夠自由下載、使用與改進模型。開源不僅有助於加速技術普及，也能透過社群回饋進一步優化模型表現。對於正在進行企業知識庫建置或 RAG 系統開發的團隊來說，這款模型提供了一個可直接部署的端到端解決方案，省去自行搭建流水線的繁瑣過程。 在技術細節上，OvisOCR2 的輸入輸出格式也相當直觀。使用者只需將文檔頁面轉為圖像，模型便會自動擷取所有文字、數學公式、表格結構以及圖片等視覺元素，並以標準的 Markdown 語法排列輸出，保留原始文件的閱讀順序。這意味著後續的資料處理與索引工作可以無縫銜接，大幅提升整體流程的自動化程度。 從應用場景來看，OvisOCR2 的潛力十分廣泛。例如，企業可以將大量歷史合約、報告或掃描文件快速轉換為可搜尋的結構化資料；學術機構能夠自動解析論文中的公式與表格，加速知識挖掘；金融與法律領域則可利用其高精度的表格辨識能力，進行資料比對與風險分析。每一次文檔解析的提速，都能直接轉化為業務效率的提升。 業界分析指出，OvisOCR2 的出現可能預示著文檔解析技術路線的轉折點。過去端到端模型雖有概念上的優勢，但實際表現常不如精心調校的流水線組合。如今阿里雲以 0.8B 的小模型證明，端到端路線不僅可行，而且在綜合評分上已經能夠領先。這將激勵更多研究團隊投入端到端架構的開發，並帶動相關工具的快速演進。 對於開發者而言，OvisOCR2 的開源也意味著可以立即在自己的專案中進行測試與整合。阿里雲同步提供了模型權重、使用範例與技術文件，降低入門門檻。未來，隨著社群貢獻與模型迭代，OvisOCR2 的表現還有望進一步提升，為文檔智慧化處理帶來更多可能性。 總結來說，阿里雲此次開源 OvisOCR2 不僅是一項技術成果的發布，更代表著文檔解析領域從流水線到端到端的路線轉移已正式啟動。在 0.8B 參數的輕量級架構下，模型展現出超越傳統方法的實力，為大規模語言模型落地提供了更簡潔、更可靠的基礎設施。對於所有關注 AI 應用的從業者而言，這無疑是一個值得密切關注的進展。