文本/LaTeX/HTML表格一步搞定！OvisOCR2实现端到端文档智能解析；1.4 万+ 元素标注、万条语言指令！Voxel51 发布 SceneFun3D 室内场景微观交互数据集
内容提要
OvisOCR2是2026年7月推出的0.8B参数端到端文档解析模型，基于Qwen3.5-0.8B构建，能将文档图像转为结构化Markdown，精准解析文本、公式、表格等。在OmniDocBench v1.6评测中获96.58分，超越传统流水线方法，实现低部署成本与高性能统一。HyperAI官网已上线该模型，并提供在线使用。
延伸解读
端到端模型的优势与局限
OvisOCR2作为端到端文档解析模型，直接输出Markdown，避免了传统流水线中多个模块的误差累积，且0.8B参数使其部署成本低。但评测分数高不代表所有场景都完美，实际效果可能受文档复杂度和语言多样性影响，用户需在真实数据上验证。
训练策略的启示
模型采用SFT、RL和OPD多阶段训练，结合真实与合成数据，这种混合策略可能是其性能超越传统方法的关键。对于开发者，这提示了在资源有限时，通过精心设计训练流程和利用合成数据增强，也能在小模型上实现高精度，值得借鉴。
评测基准的参考价值
OmniDocBench v1.6是文档解析领域的权威基准，OvisOCR2的96.58分具有参考意义，但基准可能侧重特定任务。用户在选择模型时，应结合自身需求，关注模型在表格、公式等具体元素上的表现，而非仅看总分。
Q&A
OvisOCR2是什么？它有什么特点？
OvisOCR2是一款由ATH-MaaS、阿里等团队于2026年7月推出的紧凑型端到端文档解析模型，参数仅0.8B（约1.7GB）。它基于Qwen3.5-0.8B构建，能将文档图像直接转化为保留自然阅读顺序的结构化Markdown格式，并精准解析文本、公式、表格及可视区域。其特点是低部署成本与高性能的统一。
OvisOCR2在OmniDocBench v1.6评测中表现如何？
OvisOCR2在OmniDocBench v1.6评测中斩获96.58分，成为首个性能超越传统流水线方法的端到端模型。
OvisOCR2的训练方法是什么？
OvisOCR2采用创新的混合数据引擎（结合真实数据与合成数据）以及多阶段训练方案，包括SFT（监督微调）、RL（强化学习）和OPD（在线偏好蒸馏）等。
OvisOCR2在哪里可以体验？
HyperAI超神经官网已上线了「OvisOCR2：0.8B 端到端文档解析模型」，并提供在线使用，链接为https://go.hyper.ai/1qOnc。
SceneFun3D数据集是什么？包含哪些内容？
SceneFun3D是由Voxel51于2024年发布的3D场景功能交互数据集，聚焦于微小交互部件的细粒度理解，涵盖部件定位、Gibsonian功能推理、运动参数估计及自然语言任务描述。该数据集包含710个高分辨率真实室内场景，14,867个功能交互元素标注、9类功能类别、14,279个运动参数以及10,913余个自然语言任务指令。
Math-Graph数据集有什么用途？
Math-Graph是由华盛顿大学数学人工智能实验室于2026年发布的数学定理依赖图数据集，构建了语句级粒度的数学定理依赖图，包含47,952条非形式化与形式化数学的语句匹配对，将两类数学知识整合为一张连贯的依赖图，可用于数学知识表示和推理研究。
