ATH-MaaS lanzó OvisOCR2, un modelo de visión y lenguaje de 0.8B post-entrenado a partir de Qwen3.5-0.8B que actúa como el primer modelo de extremo a extremo en encabezar la clasificación de OmniDocBench con una puntuación de 96.58 en v1.6.

  • Genera markdown completo, incluidas tablas HTML y fórmulas LaTeX, a partir de imágenes de página única, eliminando los fallos de detección de diseño comunes en los sistemas OCR basados en pipelines.
  • En pruebas con 827 documentos médicos escaneados reales, OvisOCR2 logró una F1 media de 0.947 frente a la 0.908 de GLM-OCR, con mejoras significativas en escenarios de peor caso (F1 p10 de 0.898 frente a 0.810).
  • En una única RTX 5090 usando vLLM 0.22.1, el modelo alcanza un rendimiento máximo de 590 páginas por minuto con una concurrencia de 32, con un rendimiento óptimo a 150 DPI.
  • El autor señala que aunque la decodificación voraz puede causar bucles de repetición en ~0.5% de los casos, aplicar una penalización de frecuencia al reintento resuelve el problema sin distorsionar el contenido legítimo.

El modelo ofrece mayor precisión y un despliegue más sencillo que el OCR tradicional basado en pipelines, especialmente para documentos con diseños complejos o mala calidad de escaneo.