OvisOCR2 技術報告

要旨

OvisOCR2（0.8Bパラメータの文書解析モデル）を紹介する。OvisOCR2はエンドツーエンドのパーサーとして設計されており、文書ページ画像を入力として、テキスト、数式、表、視覚領域を網羅した自然な読解順序のMarkdown表現を生成する。我々は、フィルタリング済みの実文書アノテーションと、同一のHTMLソースからレンダリング画像とMarkdownターゲットを生成した合成ページを組み合わせたデータエンジンを構築した。学習レシピには、教師ありファインチューニング、4Bブランチにおけるマルチコンポーネント報酬設計を用いた強化学習、その結果の0.8Bモデルへのオン・ポリシー蒸留、およびモデル融合が含まれる。OmniDocBench v1.6において、OvisOCR2は総合スコア96.58を達成し、従来パイプラインメソッドが支配していたリーダーボードでエンドツーエンドモデルがトップに立ち、エンドツーエンド文書解析の可能性を示している。PureDocBenchでは、最高のAvg3スコア75.06を達成した。これら2つの公開ベンチマークに加え、より広範なロングテールかつ挑戦的なシナリオをカバーする社内ベンチマークでも評価を行い、OvisOCR2は比較手法の中で最高の総合性能を示し、その汎化性能とロバスト性をさらに実証した。OvisOCR2はhttps://huggingface.co/ATH-MaaS/OvisOCR2で入手可能である。

English

We introduce OvisOCR2, a 0.8B document parsing model. OvisOCR2 is designed as an end-to-end parser: given a document page image, it generates a Markdown representation in natural reading order, covering text, formulas, tables, and visual regions. We build a data engine that combines filtered real-document annotations with synthetic pages whose rendered images and Markdown targets are derived from the same HTML source. The training recipe includes supervised fine-tuning, reinforcement learning on a 4B branch with a multi-component reward design, on-policy distillation into the 0.8B model, and model fusion. On OmniDocBench v1.6, OvisOCR2 achieves a state-of-the-art overall score of 96.58, placing an end-to-end model at the top of this leaderboard previously dominated by pipeline methods and highlighting the potential of end-to-end document parsing. On PureDocBench, OvisOCR2 also achieves the highest Avg3 score of 75.06. Beyond these two public benchmarks, we evaluate OvisOCR2 on an in-house benchmark designed to cover a broader set of long-tail and challenging scenarios. OvisOCR2 obtains the best overall performance among the compared methods, providing further evidence of its generalization and robustness. OvisOCR2 is available at https://huggingface.co/ATH-MaaS/OvisOCR2.

OvisOCR2 技術報告

OvisOCR2 Technical Report

要旨

Support