阿里开源0.8B文档解析模型，端到端首次超越流水线方法

2025年7月24日，阿里巴巴正式宣布开源其文档解析模型OvisOCR2。在文档智能领域，这一举措具有里程碑式的意义。令人瞩目的是，该模型以96.58的综合评分，一举刷新了OmniDocBench v1.6基准测试的榜单纪录，成为首个超越传统流水线方法并登顶该榜单的端到端模型。这标志着文档解析技术路线取得了一次实质性的突破。

图 OvisOCR2 在 OmniDocBench v1.6 上的综合及分项表现。

端到端模型首次超越流水线方法

文档解析，本质上是大模型落地应用的基础设施。在企业知识库、RAG检索增强生成、智能问答等场景中，都需要将PDF、扫描件等非结构化文档，高质量地转换为机器可读的结构化文本。长期以来，这一领域被“流水线方法”主导——通常由两个模型协同工作：一个负责版面分析，另一个负责识别文字、公式和表格，最后合并输出结果。虽然流水线方法技术成熟，但存在维护成本高、误差累积、部署复杂等工程瓶颈，成为开发者最头疼的痛点。

OvisOCR2选择了另一条更具挑战性的技术路线——面向页面级文档解析的端到端模型。简而言之，输入一张文档图像，模型即可直接输出符合自然阅读顺序的Markdown格式内容，涵盖文本、公式、表格以及视觉区域。过去需要多个模型协作完成的任务，现在一个模型即可一步到位。在文档解析领域最权威的公开基准OmniDocBench v1.6上，OvisOCR2以96.58分夺得榜首，首次证明端到端模型能够全面超越传统流水线方法，这才是关键所在。

小参数大能力，0.8B实现SOTA

更令人意外的是，OvisOCR2是通过对Qwen3.5-0.8B进行后训练得到的，参数量仅为0.8B——甚至不到1B。在模型训练层面，团队构建了一套独特的数据引擎体系：真实文档提供自然页面分布，合成文档则精准补充表格与公式交织、多栏版式、长输出等复杂场景。两类数据互补共建，确保了模型在各类真实业务场景中的泛化能力。

图 OvisOCR2 数据引擎体系

训练方案融合了监督微调（SFT）、强化学习（RL）、在线策略蒸馏（OPD）和模型融合四大技术手段，形成多阶段递进式的训练流程，充分释放了紧凑模型的潜力。最终，OvisOCR2以极致紧凑的体量达到了最优性能。对比那些动辄数十亿参数的大模型，或者需要两个模型叠加的流水线方法，它仅用单个0.8B模型就实现了SOTA。这意味着更低的GPU显存需求、更快的推理速度、更简单的部署流程——企业用户无需配置昂贵的算力基础设施，即可获得业界领先的文档解析能力。对于追求降本增效的落地应用场景，OvisOCR2堪称“效果最优、成本最低”的解决方案。

项目已开源发布，无缝融入千问生态

OvisOCR2以Apache 2.0许可证完全开源，已上线Hugging Face、魔搭等AI开源社区，开发者可自由使用或进行商业化部署。模型兼容vLLM等主流推理框架，与Qwen3.5推理生态无缝衔接，开发者无需额外适配即可快速集成。作为阿里云MaaS平台的重要开源成果，OvisOCR2丰富了千问模型家族在文档智能领域的能力版图，为开发者和企业提供了从开源体验到云端部署的完整路径。端到端方法首次登顶，也意味着文档智能正从复杂的系统工程，走向更简洁高效的模型驱动范式。