A ATH-MaaS lançou o OvisOCR2, um modelo de visão e linguagem de 0.8B pós-treinado a partir do Qwen3.5-0.8B, que atua como o primeiro modelo end-to-end a liderar o ranking do OmniDocBench com uma pontuação de 96.58 na versão v1.6.

  • Ele gera markdown completo, incluindo tabelas HTML e fórmulas LaTeX, a partir de imagens de página única, eliminando as falhas de detecção de layout comuns em sistemas OCR baseados em pipeline.
  • Em testes com 827 documentos médicos escaneados reais, o OvisOCR2 alcançou uma média F1 de 0.947, comparado aos 0.908 do GLM-OCR, com melhorias significativas nos piores cenários (F1 no p10 de 0.898 contra 0.810).
  • Em uma única RTX 5090 usando vLLM 0.22.1, o modelo atinge uma taxa máxima de processamento de 590 páginas por minuto com concorrência de 32, com desempenho ótimo em 150 DPI.
  • O autor observa que, embora a decodificação gulosa possa causar loops de repetição em ~0.5% dos casos, aplicar uma penalidade de frequência na nova tentativa resolve o problema sem distorcer o conteúdo legítimo.

O modelo oferece maior precisão e implantação mais simples do que o OCR tradicional baseado em pipeline, particularmente para documentos com layouts complexos ou baixa qualidade de digitalização.