本日、 Alibaba Cloud は文書解析モデル「OvisOCR2」をオープンソースとして公開しました。
同モデルは OmniDocBench v1.6 ベンチマークにおいて総合スコア 96.58 を記録し、同リーダーボードの首位に立った初のエンドツーエンドモデルとなりました。パイプライン手法を初めて凌駕した这一事实は、文書解析分野における重要な技術的転換点となります。
図：OvisOCR2 の OmniDocBench v1.6 における総合および各項目別のスコア。
エンドツーエンドモデルが初めてパイプライン手法を上回る
文書解析は大規模言語モデル（LLM）を現場投入するための重要なインフラであり、企業ナレッジベースの構築、RAG（検索拡張生成）による検索、知能型Q&Aシステムなどのシーンでは、PDFやスキャン文書といった非構造化ドキュメントを構造化テキストへと変換する必要があります。
これまで同分野は「パイプライン手法」が主流でした。この手法は通常、レイアウト解析モデルとコンテンツ認識モデルの2つで構成されます。前者が文書のレイアウトを特定する一方、後者が文字、数式、表などの内容を認識し、最終的に出力を結合します。成熟した手法ではあるものの、高いメンテナンスコスト、誤差の蓄積、導入の複雑さといった根本的なボトルネックが存在します。
OvisOCR2はエンドツーエンドの技術路線を採用しています。1枚の文書画像を入力すると、同モデルは1回の生成処理で自然な読解順序に沿った Markdown 形式を出力し、テキスト、数式、表、および視覚領域を網羅します。かつては複数モデルが連携して行っていた作業を、1つのモデルで一気に完了させることができます。
OmniDocBench v1.6 で 96.58 点を獲得し首位に立ったことで、エンドツーエンドモデルがパイプライン手法を凌駕できることが初めて証明されました。
コンパクトなパラメータながら強力な性能、0.8BでSOTAを実現
OvisOCR2 は Qwen3.5-0.8B をベースに事後学習を行うことで構築されています。研究チームは、実文書と合成文書が互いに補完し合うデータエンジン体系を構築しました。合成文書は、表や数式が交錯するケーン、多段組レイアウト、長文出力といった複雑なシーンを重点的に補強しています。学習スキームには、教師ありファインチューニング（SFT）、強化学習（RL）、オンラインポリシー蒸留（OPD）、モデル融合の4段階が含まれており、段階的に深化する学習プロセスを通じて、コンパクトなモデルの潜在能力を最大限引き出しています。
図：OvisOCR2 のデータエンジン体系
プロジェクトはオープンソース化済み、Qwen エコシステムとのシームレスな統合を実現
OvisOCR2 は Apache 2.0 ライセンスの下でオープンソース化されており、vLLM などの主要な推論フレームワークとの互換性があります。Qwen3.5 推論エコシステムと連携しているため、開発者は追加の適応処理を行うことなく容易に統合できます。
モデルのダウンロード（提供終了・移行等の場合あり）：
・ Hugging Face: https://huggingface.co/ATH-MaaS/OvisOCR2
・ ModelScope: https://modelscope.cn/models/ATH-MaaS/OvisOCR2
・ 技術レポート（arXiv）: https://arxiv.org/abs/2607.13639