OvisOCR2: Kompakte 0.8B End-to-End-KI dominiert OCR-Benchmarks

OvisOCR2 ist eine kompakte Open-Source-KI mit 0,8 Milliarden Parametern, die speziell für das Page-Level Document Parsing entwickelt wurde. Das Modell verarbeitet Bilder ganzer Dokumentenseiten und überführt diese direkt in strukturiertes Markdown, wobei die natürliche Lesereihenfolge erhalten bleibt. Aktuelle Auswertungen auf der Plattform ModelScope zeigen, dass dieses Leichtgewicht deutlich größere Systeme bei der Genauigkeit hinter sich lässt.

Technische Architektur und Output-Formate

OvisOCR2 basiert technisch auf dem Qwen3.5-0.8B-Modell und wurde durch eine Kombination aus Supervised Fine-Tuning (SFT), Reinforcement Learning (RL) und On-Policy Distillation (OPD) optimiert. Im Gegensatz zu klassischen OCR-Systemen, die oft aus einer Kette verschiedener Werkzeuge bestehen (Pipelines), agiert dieses Modell als echtes End-to-End-System. Dies reduziert Reibungsverluste bei der Interpretation von Layouts und Inhalten.

Das Modell liefert strukturierte Daten, die ohne manuelle Nachbearbeitung in Web-Anwendungen oder wissenschaftlichen Publikationen landen können:

• Mathematische Formeln: Die Ausgabe erfolgt präzise in LaTeX-Notation.
• Tabellen: Dokumententabellen konvertiert das System in sauberen HTML-Code.
• Visuelle Elemente: Bilder oder Grafiken markiert das Modell mit spezifischen Image-Tags inklusive Bounding-Box-Koordinaten (bbox), was die spätere Segmentierung erleichtert.

Rekordwerte in den Dokumenten-Benchmarks

OvisOCR2 belegt als erstes End-to-End-Modell den Spitzenplatz im OmniDocBench v1.6 Leaderboard. Mit einem Gesamtwert von 96,58 verweist es rechenintensive Pipeline-Systeme auf die hinteren Plätze. Diese Effizienz sticht hervor, da das Modell mit unter einer Milliarde Parametern ressourcenschonend arbeitet.

Auch auf dem PureDocBench erzielte die KI mit einem Durchschnittswert von 75,06 (Avg3) ein beachtliches Ergebnis. Dieser Benchmark gilt in Fachkreisen als aussagekräftig, da er weniger anfällig für Overfitting ist – ein Problem vieler Modelle, die lediglich auf populären Standard-Datensätzen trainiert wurden. Die Leistung unterstreicht, dass OvisOCR2 auch bei unbekannten Dokumentenlayouts stabil operiert.

Metrik	Ergebnis OvisOCR2	Benchmark-Typ
OmniDocBench v1.6	96,58 (Overall)	Layout & Textgenauigkeit
PureDocBench	75,06 (Avg3)	Generalisierungsfähigkeit
Modellgröße	0,8B Parameter	Effizienzmetrik

Bereitstellung und Lizenzierung für Entwickler

Für Entwickler bietet OvisOCR2 eine hohe Flexibilität bei der Implementierung. Das Modell steht unter der Apache 2.0 Lizenz bereit, was die kommerzielle Nutzung erlaubt. Für das Deployment wird vLLM nativ unterstützt, was eine performante Einbindung in bestehende GPU-Cluster ermöglicht.

Das Modell ist über modelscope.ai verfügbar. Durch den geringen Hardware-Bedarf eignet sich OvisOCR2 für Edge-Computing oder lokale Instanzen, bei denen Datenschutz und Geschwindigkeit zählen, ohne die Präzision großer Sprachmodelle opfern zu müssen.