阿里云近日宣布，正式开源其最新研发的文档解析模型OvisOCR2。该模型在OmniDocBench v1.6基准测试中以96.58分的综合成绩登顶，成为首个超越传统流水线方法的端到端文档解析模型，标志着文档处理领域技术路线实现重大突破。
在传统文档解析方案中，流水线方法长期占据主导地位。这类方法通常需要部署版面分析模型和内容识别模型两个独立组件，前者负责定位文档中的文本、表格、公式等元素位置，后者则完成具体内容的识别工作。尽管技术成熟，但多模型协作带来的维护成本高、误差传递、部署复杂等问题始终难以解决。例如，版面分析的微小偏差可能导致后续内容识别完全错误，形成"差之毫厘，谬以千里"的连锁反应。
OvisOCR2采用的端到端技术路线彻底改变了这一局面。该模型通过单次生成即可输出符合自然阅读顺序的Markdown格式文档，完整保留文本、公式、表格和视觉区域等所有结构化信息。这种设计将原本需要多个模型接力完成的任务整合为单一流程，不仅简化了系统架构，更通过消除中间环节显著提升了处理精度。测试数据显示，在处理复杂版式文档时，端到端模型的错误率较传统方法降低42%。
该模型的技术突破源于创新的训练体系。研发团队构建了真实文档与合成文档互补的数据引擎，其中合成数据专门针对表格公式交织、多栏排版、长文本输出等复杂场景进行强化。在训练策略上，采用监督微调、强化学习、在线策略蒸馏和模型融合的四阶段递进式流程，充分挖掘0.8B参数模型的潜力。这种"小参数大能力"的设计理念，使得模型在保持轻量化的同时达到SOTA（State-of-the-Art）性能水平。
开源生态建设方面，OvisOCR2采用Apache 2.0许可证发布，已实现与vLLM等主流推理框架的无缝兼容。通过与Qwen3.5推理生态的深度整合，开发者可直接调用现有千问生态资源，无需进行额外适配即可快速部署。这种开放策略显著降低了技术门槛，为金融、法律、科研等领域的大量非结构化文档处理需求提供了高效解决方案。
