OvisOCR2 技術報告：0.8B 端到端模型突破文件解析極限，領先傳統管線化方法奪冠

本研究推出 OvisOCR2，能將文件影像直接轉為 Markdown 格式。透過強化學習與知識蒸餾，在 OmniDocBench 奪下 96.58 高分，展現端到端架構優於傳統管線化方法的巨大潛力。

Problem

傳統文件解析多依賴複雜的管線化（Pipeline）方法，難以兼顧效率與準確度，尤其在處理包含複雜公式、表格及多樣視覺區域的自然閱讀順序時，往往面臨模型架構過於臃腫或解析不連貫的挑戰。

開發團隊建構了 0.8B 參數量的端到端模型，結合真實標記與 HTML 合成資料引擎。訓練流程包含監督式微調（SFT）、具備多元獎勵設計的強化學習（RL）、針對小模型的在線蒸餾（On-policy Distillation）以及模型融合技術，使模型能精準將影像轉譯為 Markdown 格式。

在 OmniDocBench v1.6 基準測試中，OvisOCR2 以 96.58 的總分刷新紀錄，成為首個超越傳統管線化方法的端到端模型。此外，該模型在 PureDocBench 亦取得 75.06 的最高平均分，並在多種長尾與極端挑戰場景中展現出優異的穩健性與泛化能力。

此項研究證實了輕量化端到端模型在文件解析領域的優越性，不僅簡化了處理流程，更在效能上超越了長期主導市場的複雜系統。這為自動化資料提取與跨領域文件數位化技術提供了更高效、精確的新基準。