ATH-MaaS выпустила OvisOCR2, 0.8B модель с зрительно-языковыми возможностями, дообученную на базе Qwen3.5-0.8B, которая стала первой сквозной моделью, возглавившей таблицу лидеров OmniDocBench с результатом 96.58 на версии v1.6.
- Она генерирует полный markdown, включая HTML-таблицы и формулы LaTeX, из изображений отдельных страниц, устраняя сбои обнаружения макета, характерные для конвейерных систем OCR.
- В тестах на 827 реальных отсканированных медицинских документах OvisOCR2 достигла среднего значения F1 равного 0.947 по сравнению с GLM-OCR, показавшим 0.908, с существенным улучшением в наихудших сценариях (F1 для p10: 0.898 против 0.810).
- На одной RTX 5090 с использованием vLLM 0.22.1 модель достигает пиковой пропускной способности 590 страниц в минуту при параллелизме 32, демонстрируя оптимальную производительность при разрешении 150 DPI.
- Автор отмечает, что жадный декодер может вызывать циклы повторения примерно в 0.5% случаев; применение штрафа за частоту при повторной попытке решает проблему без искажения легитимного контента.
Модель обеспечивает более высокую точность и более простое развертывание по сравнению с традиционными конвейерными системами OCR, особенно для документов со сложным макетом или низким качеством сканирования.