为什么最好的文档解析器现在只需8亿参数

文档解析长期以来一直是两阶段的任务。首先，布局分析模型将页面分割成区域、文本块、表格、公式、图形，然后识别模型读取每个裁剪区域。这种方法虽然稳健但繁琐：第一阶段的错误会级联到第二阶段，而且部署两个具有不同运行时的模型会增加操作复杂性。

端到端模型直接从页面图像生成Markdown表示，在理论上一直看起来更简洁。但在实践中，它们落后了，无法与主导公共基准测试（如OmniDocBench）的模块化系统匹敌。这个差距刚刚被缩小，而且是由一个只有8亿参数的模型实现的，这更令人印象深刻。

OvisOCR2由阿里巴巴的ATH-MaaS团队开发，将Qwen3.5-0.8B（Qwen3.5家族中最小的成员）后训练成一个专用的页面级解析器。在OmniDocBench v1.6上，它总体得分96.58，领先于所有流程方法，包括PaddleOCR-VL-1.6（96.33）、GLM-OCR（95.22）和MinerU2.5-Pro（95.75）。在PureDocBench上，其Avg3得分为75.06，也位居榜首。

小型模型如何击败大型模型

主要创新在于训练方案，而非架构。该团队构建了一个数据引擎，包含两个互补的流程。

真实世界流程：获取实际文档图像，通过PaddleOCR-VL-1.5或MinerU2.5-Pro处理，解析结构化的JSON输出，将其归一化为统一的Markdown模式，并通过基于规则的检查和人工抽检对结果进行过滤。这确保了当模型看到扫描发票或学术论文时，监督信号尽可能干净。

合成流程：从模型最初出错的困难样本开始。一个多模态模型将这些样本转换为HTML模板，然后由一个代理通过变化内容和结构来多样化模板。关键洞察：由于HTML源同时渲染图像和Markdown真实标注，因此没有标注噪声。模型从完美的标签中学习，这对于表格、公式和长篇布局尤其有价值。

用于结构化输出的强化学习

训练分阶段进行。首先，在Qwen3.5-0.8B之上进行监督微调，建立基础的解析策略。然后，一个4B分支进行强化学习（GRPO），使用多组件奖励：文本的归一化编辑距离、公式的字符检测匹配（CDM）、表格的树编辑距离（TEDS）。奖励仅对页面真实标注中存在的组件取平均，避免了无关指标的噪声。

直接将RL应用于0.8B模型会导致表格质量不稳定。因此，团队使用RL增强的4B模型作为教师进行同策略蒸馏（OPD）。学生生成输出，教师对其进行评分，学生通过反向KL散度学习，偏向教师最自信的token。一个top-k技巧将每个位置的张量从词汇表大小减少到k，使长响应的内存管理变得可行。

最后，通过加权参数平均融合多个候选变体。

基准测试结果的背景

改进在所有四个评估维度（文本、公式、表格和阅读顺序）上都是一致的，而不仅仅是总体平均值。在OmniDocBench上，OvisOCR2在所有专门模型中报告了最低的文本编辑距离、最高的公式CDM、最高的表格TEDS-S和最低的阅读顺序编辑距离。

这对该领域意味着什么

文档解析领域一直在向统一模型发展。Mistral OCR 4在单个容器中添加了边界框和类型块分类。DeepSeek-OCR 2引入了视觉因果流并开源了权重。两者在精神上都是端到端的，但仍然依赖一些模块化组件。

OvisOCR2更进一步：一个单一的0.8B模型直接输出Markdown，没有附加布局解析器。其权衡是实际世界中的鲁棒性：在PureDocBench的Real轨道（手机拍摄页面、复印、屏幕摄影）上，OvisOCR2得分为66.56，低于Gemini-3.1-Pro和Qwen3.5-122B-A10B。团队承认图像质量下降仍然是一个弱点。

尽管如此，该模型在手写体和复杂表格（流程方法的两个痛点）上的表现尤其强劲。在内部手写体子集上，OvisOCR2总体得分为72.28，而GLM-OCR为69.58。在复杂表格上，其缺失率（输出中完全缺失表格）降至7.96%，而流程解析器为13-17%。一旦流程的布局分析遗漏了表格，任何下游识别器都无法找回。

该模型可在HuggingFace上获取。凭借0.8B参数，它可以运行在消费级GPU甚至CPU上（通过优化），使高质量的文档解析不再局限于资源丰富的企业。