阿里开源端到端文档解析模型OvisOCR2

原文内容概括缩写：阿里云于7月24日开源发布文档解析模型OvisOCR2，模型参数规模0.8B。在OmniDocBench v1.6榜单中，该模型以综合得分96.58登顶，成为首个超越流水线方法的端到端模型。此前文档解析领域主要由流水线方法主导，即先由版面分析模型识别文档布局，再由内容识别模型分别处理文字、公式、表格等，最后拼接输出。这种方法虽然成熟，但存在维护成本高、误差累积、部署复杂等固有瓶颈。OvisOCR2采用端到端技术路线，输入一张文档图像，模型在一次生成过程中直接输出符合自然阅读顺序的Markdown表示，涵盖文本、公式、表格和视觉区域。过去需要多个模型协作完成的工作，现在由一个模型一步到位。官方表示，这是文档解析领域技术路线的重要突破。文档解析是大模型落地的关键基础设施，企业知识库、RAG检索、智能问答等场景均需将PDF、扫描件等非结构化文档转化为结构化文本。OvisOCR2的开源将极大降低企业应用门槛，推动AI文档处理生态发展。该模型基于阿里云自研的视觉语言模型架构，针对文档场景进行了优化。其0.8B的轻量级设计使得推理成本更低，适合在边缘端或云端部署。随着模型开源，开发者可以免费使用并集成到自己的应用中，有望加速行业从繁琐的流水线向端到端转型。此外，该模型在公式、表格等复杂结构识别上表现优异，进一步提升了文档解析的准确率。整体来看，OvisOCR2的发布不仅是一次技术突破，更是AI基础设施的重要升级。