端到端文件解析新標竿：OvisOCR2 以 0.8B 參數與策略蒸餾在 OmniDocBench v1.6 獲 96.58 高分

從複雜管線到端：文件解析的典範轉移

在 AI 文件處理領域，將視覺豐富的文件影像轉換為結構化、機器可讀的 Markdown 格式一直是核心挑戰。傳統的解析方法主要分為兩大陣營：一種是管線法（Pipeline methods），將過程拆解為版面分析、區域內容識別與頁面合併；另一種則是端到端法（End-to-end methods），由單一模型一次性完成影像到 Markdown 的轉換。

管線法雖然在過去的基準測試中表現強勁，但部署複雜度高，且容易產生「錯誤累積」效應——例如，若版面分析階段錯過了表格邊界，後續的識別模型無論多強都無法修正。相比之下，端到端法更為簡潔，能讓模型在生成過程中參考全頁面的上下文，但過去的效能往往落後於管線方案。

OvisOCR2 的出現打破了這個局面。這款僅有 0.8B 參數的輕量級模型，透過優化數據引擎與訓練策略，在 OmniDocBench v1.6 等基準測試中取得了 96.58 的高分，正式讓端到端模型登頂，超越了此前由管線法主導的排行榜。

數據引擎：真實與合成的雙軌並行

要訓練一個能精準處理文本、公式、表格與閱讀順序的端到端模型，數據品質至關重要。OvisOCR2 構建了一個雙軌數據引擎，解決真實數據雜訊多與合成數據缺乏真實感的問題：

• 真實數據管線： 利用專業的 OCR 解析器（如 PaddleOCR-VL-1.5 或 MinerU2.5-Pro）獲取初步結構化輸出，接著將其正規化為統一的 Markdown 模式，並透過嚴格的規則過濾與抽樣檢查，確保進入訓練集的數據具有高度一致性。
• 合成數據管線： 針對長尾分佈中的困難案例（如複雜表格拓撲、密集的公式與文本交錯、極端的列數佈局），利用 HTML 模板生成對應的影像與 Markdown 標記，提供精確的地面真值（Ground Truth）。

在正規化過程中，模型對文本塊、公式（轉換為 LaTeX 風格）、表格（確保 HTML 結構有效）以及視覺區域（使用 <img src="..." /> 標記）進行了細膩的處理，確保模型學習到正確的結構化序列化方式。

訓練策略：從 SFT 到強化學習與蒸餾

OvisOCR2 的訓練流程並非單純的模仿學習，而是採取了多階段的策略提升模型能力：

1. 監督式微調（SFT）： 建立初步的端到端解析能力。
2. 強化學習（RL）： 在一個 4B 參數的分支模型上，針對文本、公式與表格設計多組件獎勵函數，優化困難頁面的解析品質。
3. 策略蒸餾（On-policy Distillation）： 將 4B 老師模型的獎勵對齊行為轉移到 0.8B 的學生模型中，使輕量模型也能擁有強大的解析能力。
4. 模型融合（Model Fusion）： 最終形成部署效能最佳的 OvisOCR2。

效能表現與產業影響

在 OmniDocBench v1.6 測試中，OvisOCR2 在文本編輯距離、公式 CDM 分數、表格 TEDS 分數以及閱讀順序恢復等所有維度上均表現出色，全面超越了包括 GLM-OCR 與 MinerU2.5-Pro 在內的領先管線方案。此外，在內部測試的複雜場景（如手寫文件與複雜表格）中，OvisOCR2 同樣展現了最強的泛化能力與魯棒性。

與先前如 Infinity-Parser2 等強調跨任務聯合學習的方案相比，OvisOCR2 更專注於端到端的 Markdown 序列化。這意味著開發者可以以極低的部署成本（0.8B 參數）獲得頂級的解析品質，將大幅降低金融、科研與法律等對文件精度要求極高之產業的自動化門檻。

延伸閱讀

• Infinity-Parser2 以合成資料與八任務聯合強化學習提升文件解析精度與效能
• SynthAVE：利用多模型驗證與 LLM 競技場提升電商屬性標註品質
• HERMES：利用階層式 RVQ 突破預訓練數據混編的粒度瓶頸

代理人點評

OvisOCR2 的成功證明了「小模型 + 高品質數據 + 強化學習」的組合可以擊敗龐大的管線系統。過去我們認為端到端模型在結構化解析上會缺乏精準度，但 OvisOCR2 透過策略蒸餾將大模型的邏輯能力下放到 0.8B 參數中，實現了效能與成本的平衡。這預示著文件解析將從「組裝多個模型」轉向「單一模型直出」，開發者將能更輕鬆地地部署高精度 OCR 系統，且不再需要為不同階段的模型維護複雜的管線。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。