ATH-MaaS a publié OvisOCR2, un modèle vision-langage de 0.8B post-entraîné à partir de Qwen3.5-0.8B, qui est le premier modèle de bout en bout à atteindre la tête du classement OmniDocBench avec un score de 96.58 sur la version v1.6.

  • Il génère du markdown complet incluant des tableaux HTML et des formules LaTeX à partir d'images de pages uniques, éliminant les échecs de détection de mise en page courants dans les systèmes OCR par pipeline.
  • Lors de tests sur 827 documents médicaux scannés réels, OvisOCR2 a atteint un F1 moyen de 0.947 contre 0.908 pour GLM-OCR, avec des améliorations significatives dans les scénarios les plus défavorables (F1 p10 de 0.898 contre 0.810).
  • Sur une seule RTX 5090 utilisant vLLM 0.22.1, le modèle atteint un débit maximal de 590 pages par minute à une concurrence de 32, avec des performances optimales à 150 DPI.
  • L'auteur note que bien que le décodage glouton puisse causer des boucles de répétition dans environ 0,5 % des cas, l'application d'une pénalité de fréquence lors de la nouvelle tentative résout le problème sans déformer le contenu légitime.

Le modèle offre une précision supérieure et un déploiement plus simple que l'OCR par pipeline traditionnel, en particulier pour les documents avec des mises en page complexes ou une mauvaise qualité de numérisation.