Was ist OvisOCR2?
OvisOCR2 ist ein Dokument-Parser mit 0,8 Milliarden Parametern von ATH-MaaS, einem Team innerhalb der Alibaba Group, veröffentlicht im Juli 2026 unter Apache 2.0 mit einem technischen Bericht vom 15. Juli. Es nimmt ein Seitenbild und schreibt die ganze Seite in Lesereihenfolge als Markdown, mit Formeln als LaTeX, Tabellen als HTML und Abbildungen als gekennzeichneten Bounding Boxes. Ein separates Layoutmodell davor gibt es nicht.
Es ist ein nachtrainiertes Qwen3.5-0.8B. Das Team trainierte mit überwachter Feinabstimmung, ließ Reinforcement Learning auf einem größeren 4B-Zweig laufen, destillierte diesen Zweig zurück in das 0.8B-Modell und mittelte dann mehrere Varianten. Labels für echte Dokumente stammten von PaddleOCR-VL-1.5 und MinerU2.5-Pro, umgewandelt in ein einheitliches Markdown-Format.
Am 21. Oktober 2026 veröffentlichte dasselbe Team OvisOCR3, ebenfalls 0.8B auf derselben Basis, und die Model Card von OvisOCR2 verweist inzwischen darauf als neuere Version.
Lohnt sich OvisOCR2?
Der Hauptwert von OvisOCR2 hält auch außerhalb des Labors seiner Entwickler stand, was in dieser Kategorie seltener ist, als es sein sollte. Das Team meldet 96,58 auf OmniDocBench v1.6; OpenDataLabs eigene Rangliste, die die Modelle selbst testet, führt 96,47. Das ergibt Platz drei auf der Rangliste hinter OXR-1.0 mit 97,03 und TeleOCR mit 96,91 und knapp vor PaddleOCR-VL-1.6 mit 96,34 und GLM-OCR mit 95,22, mit weniger Parametern als diese beiden.
Das Argument der Bauweise lautet, dass ein einziger Durchgang ein Layoutmodell plus Erkenner schlägt. Der hausinterne Test des Berichts mit mehr als 1.000 Seiten stützt das: Pipeline-Parser ließen im Teilsatz mit komplexen Tabellen 13 bis 17% der Tabellen aus, OvisOCR2 dagegen 7,96%, und sein Gesamtwert von 85,54 schlug die 82,88 von PaddleOCR-VL-1.6. Dieser Benchmark gehört Alibaba selbst und ist unveröffentlicht, und das Modell lernte von Labels aus PaddleOCR-VL-1.5 und MinerU2.5-Pro, ein Teil des Gewinns sind also sauberere Fassungen der Ausgaben seiner Lehrer.
Die Werkzeuge sind dünn. Die Model Card bietet ein einziges Rezept für vLLM, festgelegt auf Version 0.22.1, und nichts für Transformers, SGLang oder Ollama; weder ein Durchsatzwert noch eine gehostete API oder eine Anleitung zur Feinabstimmung ist veröffentlicht. Der Beispielcode bringt außerdem eine Funktion mit, die wiederholten Text am Ende langer Ausgaben kürzt, ein Zeichen dafür, dass das Modell auf dichten Seiten in Schleifen geraten kann, und die Model Card bittet, Ergebnisse bei kritischer Arbeit von Hand zu prüfen.
Das größere Problem ist OvisOCR3. Es behält die Basis Qwen3.5 mit 0.8B und die Lizenz Apache 2.0, und seine Model Card meldet 96,74 auf OmniDocBench v1.6, 82,31 auf PureDocBench gegenüber 75,10 für OvisOCR2 und 88,80 auf MDPBench gegenüber 69,00, dazu Feldextraktion und seitenübergreifende Tabellen. Diese Werte sind selbst gemeldet und noch nicht auf der öffentlichen Rangliste, aber ein Team, das OvisOCR2 schon unter vLLM betreibt, hat wenig Grund, den direkten Nachfolger nicht zu testen.
Unser Fazit: OvisOCR2 ist für die nächsten Monate nur deshalb die sicherere Wahl der beiden, weil jemand anderes seinen Wert geprüft hat. Sobald OvisOCR3 auf der Rangliste von OpenDataLab erscheint, wird OvisOCR2 vom Kandidaten zum Referenzpunkt.
Wo es sich lohnt
Ein ML-Engineer bei einem Fintech, der einen RAG-Index über gescannte Geschäftsberichte aufbaut
Berichtsseiten mit dichten Tabellen ohne Layouterkennung in Markdown umwandeln
Betreibe das Modell mit dem vLLM-Rezept der Model Card, rendere jede Seite mit 448 bis 2.880 Pixeln pro Seite und behalte die HTML-Tabellen für das Chunking. Alibabas eigener Test zeigt weniger ausgelassene Tabellen als bei Pipeline-Parsern, was bei Finanzaufstellungen am meisten zählt.
Ein Plattformteam einer Universitätsbibliothek mit einer einzigen GPU der Mittelklasse
Paper mit Formeln in großer Menge auf vorhandener Hardware digitalisieren
Mit etwa 1,7 GB in BF16 passt das Modell neben anderen Diensten auf eine Karte. Formeln kommen als LaTeX zurück; plane Zeit ein, um die Seiten pro Stunde selbst zu messen, da kein Durchsatzwert veröffentlicht ist.
Bevor du dich festlegst
- Einrichtung
- pip install vllm==0.22.1 und pillow, dann ATH-MaaS/OvisOCR2 mit dem festen Parsing-Prompt der Model Card laden; Thinking muss im Chat-Template abgeschaltet sein.
- Integrationen
- In der offiziellen Anleitung nur vLLM; GGUF-Konvertierungen der Community gibt es auf Hugging Face. Die Ausgabe ist Markdown mit HTML-Tabellen, LaTeX-Formeln und Bild-Tags, deren Koordinaten auf 0 bis 1.000 skaliert sind.
- Daten und Datenschutz
- Apache 2.0 für kommerzielle Nutzung und Feinabstimmung. Nur selbst gehostet, Dokumente bleiben also auf deiner Hardware; vertrauliche Seiten gehören nicht in die Demo auf Hugging Face.
- Kosten im großen Maßstab
- Die Gewichte sind kostenlos und etwa 1,7 GB in BF16, eine Consumer- oder Rechenzentrums-GPU reicht also. Ein Wert für Seiten pro Sekunde ist nicht veröffentlicht, die Kapazitätsplanung braucht also eigene Messungen.
- Grenzen
- Eine Seite pro Aufruf, Ausgabe im Beispiel auf 16.384 Tokens begrenzt; Wiederholungen auf langen Seiten müssen gekürzt werden; die Model Card verlangt manuelle Prüfungen bei kritischen Anwendungen.
Was gut ist
- 96,47 auf OmniDocBench v1.6, unabhängig gemessen von OpenDataLab
- Etwa 0,85B Parameter, rund 1,7 GB in BF16
- Ein Durchgang pro Seite; kein separates Layoutmodell zu betreiben
- Apache 2.0, mit GGUF-Builds der Community
Was nicht
- Innerhalb von drei Monaten durch OvisOCR3 abgelöst
- Nur ein Rezept für vLLM; keine gehostete API und keine Durchsatzwerte
- Beispielcode muss Wiederholungsschleifen bei langen Ausgaben kürzen
- Hausinterner Benchmark und Ergebnisse zur Handschrift sind unveröffentlichte Daten
Am besten für
Teams, die einen kleinen Seiten-Parser mit einem Durchgang wollen, dessen Genauigkeit auf der öffentlichen OmniDocBench-Rangliste bestätigt ist.
Alternativen zu OvisOCR2
OvisOCR2: häufige Fragen
- Lohnt sich OvisOCR2?
- OvisOCR2 bewies, dass ein End-to-End-Modell mit 0,8B mit den besten Pipeline-Parsern mithalten kann, und drei Monate später machte sein eigener Nachfolger es zur zweiten Wahl. Wir bewerten es mit 4.1 von 5.
- Was kostet OvisOCR2?
- Kostenlos unter Apache 2.0. Keine gehostete API; eine kostenlose Demo läuft auf Hugging Face Spaces.
- Welche Nachteile hat OvisOCR2?
- Innerhalb von drei Monaten durch OvisOCR3 abgelöst; Nur ein Rezept für vLLM; keine gehostete API und keine Durchsatzwerte; Beispielcode muss Wiederholungsschleifen bei langen Ausgaben kürzen; Hausinterner Benchmark und Ergebnisse zur Handschrift sind unveröffentlichte Daten.
- Für wen eignet sich OvisOCR2?
- Teams, die einen kleinen Seiten-Parser mit einem Durchgang wollen, dessen Genauigkeit auf der öffentlichen OmniDocBench-Rangliste bestätigt ist.
- Was kostet OvisOCR2 für ein Team oder im Produktivbetrieb?
- Die Gewichte sind kostenlos und etwa 1,7 GB in BF16, eine Consumer- oder Rechenzentrums-GPU reicht also. Ein Wert für Seiten pro Sekunde ist nicht veröffentlicht, die Kapazitätsplanung braucht also eigene Messungen.
- Ist OvisOCR2 sicher für Firmendaten?
- Apache 2.0 für kommerzielle Nutzung und Feinabstimmung. Nur selbst gehostet, Dokumente bleiben also auf deiner Hardware; vertrauliche Seiten gehören nicht in die Demo auf Hugging Face.
- Was sind die besten Alternativen zu OvisOCR2?
- Die nächsten Alternativen, die wir getestet haben, sind PaddleOCR-VL-1.6, GLM-OCR, Xiaomi-OCR-0 und MiniCPM-OCR 1.0.
Antworten geprüft am 2. Nov. 2026.
Du entwickelst OvisOCR2? Zeig diese Bewertung auf deiner Website
