ATH-MaaS merilis OvisOCR2, sebuah model visi-bahasa 0.8B yang dipost-training dari Qwen3.5-0.8B, yang menjadi model end-to-end pertama yang memimpin papan peringkat OmniDocBench dengan skor 96.58 pada v1.6.

  • Model ini menghasilkan markdown lengkap termasuk tabel HTML dan rumus LaTeX dari gambar halaman tunggal, menghilangkan kegagalan deteksi tata letak yang umum terjadi pada sistem OCR berbasis pipeline.
  • Dalam pengujian pada 827 dokumen medis hasil scan nyata, OvisOCR2 mencapai F1 rata-rata 0.947 dibandingkan dengan GLM-OCR yang mencapai 0.908, dengan peningkatan signifikan dalam skenario terburuk (F1 p10 sebesar 0.898 vs 0.810).
  • Pada satu RTX 5090 menggunakan vLLM 0.22.1, model ini mencapai throughput puncak 590 halaman per menit pada konkurensi 32, dengan kinerja optimal pada 150 DPI.
  • Penulis mencatat bahwa meskipun decoding greedy dapat menyebabkan loop pengulangan pada sekitar 0.5% kasus, menerapkan penalti frekuensi saat retry menyelesaikan masalah tanpa mendistorsi konten yang sah.

Model ini menawarkan akurasi yang lebih tinggi dan deployment yang lebih sederhana dibandingkan OCR pipeline tradisional, terutama untuk dokumen dengan tata letak kompleks atau kualitas scan yang buruk.