ATH-MaaS 发布了 OvisOCR2，这是一个从 Qwen3.5-0.8B 后训练的 0.8B 视觉语言模型，它以 96.58 的得分在 v1.6 版 OmniDocBench 排行榜上位居榜首。

  • 它从单页图像生成包含 HTML 表格和 LaTeX 公式的完整 markdown，消除了传统流水线 OCR 系统中常见的布局检测失败问题。
  • 在 827 份真实扫描医疗文档的测试中，OvisOCR2 的平均 F1 得分为 0.947，而 GLM-OCR 为 0.908，在最差情况下的表现有显著提升（p10 F1 为 0.898，对比 0.810）。
  • 在单张 RTX 5090 上使用 vLLM 0.22.1，该模型在并发数为 32 时达到每分钟 590 页的最高吞吐量，在 150 DPI 下性能最佳。
  • 作者指出，虽然贪婪解码在约 0.5% 的情况下可能导致重复循环，但在重试时应用频率惩罚即可解决此问题，且不会扭曲合法内容。

该模型相比传统流水线 OCR 具有更高的准确性和更简单的部署方式，尤其适用于布局复杂或扫描质量较差的文档。