ATH-MaaSは、Qwen3.5-0.8Bからポストトレーニングされた0.8Bのビジョン言語モデルであるOvisOCR2をリリースしました。このモデルは、v1.6で96.58のスコアを記録し、OmniDocBenchリーダーボードで首位となる初のエンドツーエンドモデルです。

  • 単一ページの画像からHTMLテーブルやLaTeX数式を含む完全なマークダウンを生成し、パイプラインOCRシステムで一般的に発生するレイアウト検出の失敗を解消します。
  • 827件の実際のスキャンされた医療文書でのテストにおいて、OvisOCR2は平均F1スコア0.947を達成し、GLM-OCRの0.908を上回りました。最悪ケース（p10 F1: 0.898 vs 0.810）でも大幅な改善が見られました。
  • vLLM 0.22.1を使用する単一のRTX 5090上で、モデルは並列数32で毎分590ページのピークスループットを達成し、最適なパフォーマンスは150 DPIで発揮されます。
  • 著者は、貪欲なデコーディングが約0.5%のケースで繰り返しループを引き起こす可能性があるものの、再試行時に周波数ペナルティを適用することで、正当なコンテンツを歪めることなくこの問題を解決できると述べています。

このモデルは、複雑なレイアウトやスキャン品質の低い文書において、従来のパイプラインOCRよりも高い精度とシンプルなデプロイメントを提供します。