ATH-MaaS ने OvisOCR2 जारी किया, जो Qwen3.5-0.8B से पोस्ट-ट्रेन किए गए 0.8B विजन-लैंग्वेज मॉडल हैं और OmniDocBench लीडरबोर्ड पर v1.6 पर 96.58 स्कोर के साथ शीर्ष स्थान हासिल करने वाले पहले एंड-टू-एंड मॉडल के रूप में कार्य करते हैं।
- यह एकल पेज छवियों से पूर्ण मार्कडाउन, जिसमें HTML टेबल और LaTeX सूत्र शामिल हैं, उत्पन्न करता है, जो पाइपलाइन OCR सिस्टम में सामान्य लेआउट डिटेक्शन विफलताओं को समाप्त करता है।
- 827 वास्तविक स्कैन किए गए चिकित्सा दस्तावेजों पर परीक्षणों में, OvisOCR2 ने GLM-OCR के 0.908 की तुलना में 0.947 का माध्य F1 हासिल किया, जिसमें खराब स्थितियों (p10 F1: 0.898 बनाम 0.810) में महत्वपूर्ण सुधार हुआ।
- vLLM 0.22.1 का उपयोग करते हुए एकल RTX 5090 पर, मॉडल कन्करेंसी 32 पर प्रति मिनट 590 पेज की शीर्ष थ्रूपुट प्राप्त करता है, जबकि इष्टतम प्रदर्शन 150 DPI पर होता है।
- लेखक ने नोट किया कि जबकि ग्रीडी डिकोडिंग लगभग 0.5% मामलों में दोहराव लूप का कारण बन सकता है, पुनः प्रयास पर आवृत्ति दंड लागू करने से समस्या का समाधान होता है बिना वैध सामग्री को विकृत किए।
मॉडल पारंपरिक पाइपलाइन OCR की तुलना में उच्च सटीकता और सरल तैनाती प्रदान करता है, विशेष रूप से जटिल लेआउट या खराब स्कैन गुणवत्ता वाले दस्तावेजों के लिए।