Was ist OvisOCR3?
OvisOCR3 ist ein OCR- und Dokumentmodell mit 0,8 Milliarden Parametern von ATH-MaaS, einem Team innerhalb der Alibaba Group, veröffentlicht am 21. Oktober 2026 unter Apache 2.0, einen Tag nach seinem technischen Bericht. Wie OvisOCR2 ist es ein nachtrainiertes Qwen3.5-0.8B, das ein Seitenbild in einem Durchgang liest, ohne separates Layoutmodell davor. Die Model Card von OvisOCR2 verweist inzwischen darauf als neuere Version.
Geändert hat sich der Umfang. OvisOCR2 erledigte eine Aufgabe, die Umwandlung einer Seite in Markdown. OvisOCR3 ergänzt strukturiertes JSON-Parsing mit Bounding Box und Kategorie für jeden Bereich, reine Layouterkennung, zehn allgemeine OCR-Prompts (von reinem Text und Wortboxen bis zu Formeln, Diagrammdaten, Übersetzung und Visual Question Answering), drei Modi zur Extraktion von Schlüsselinformationen, Bildunterschriften mit Mermaid-Code für Flussdiagramme und einen Zweiseitenmodus, der über einen Seitenumbruch geteilte Tabellen zusammenfügt. Jede Aufgabe wird über eine Prompt-Datei gewählt, die mit den Gewichten ausgeliefert wird.
Das Training wurde entsprechend angepasst. Die erste Stufe nutzte etwa 72 Millionen Beispiele, 57% des Sampling-Budgets für Dokument-Parsing und 29% für allgemeines OCR. Fünf 4B-Lehrermodelle, eines pro Aufgabenfamilie, wurden dann in den 0.8B-Schüler destilliert, gefolgt von Reinforcement Learning über alle fünf Aufgaben gleichzeitig.
Lohnt sich OvisOCR3?
OvisOCR3 ist nach jeder Zahl, die seine Entwickler veröffentlichen, das bessere Modell als OvisOCR2, aber keine dieser Zahlen wurde von anderen geprüft. Die Model Card meldet 96,74 auf OmniDocBench v1.6 gegenüber den selbst gemeldeten 96,58 von OvisOCR2, ein Abstand von 0,16 Punkten, kaum mehr als die 0,11, die OpenDataLab vom Wert von OvisOCR2 abzog, als es das Modell selbst testete. Die Rangliste von OpenDataLab, zuletzt am 11. September aktualisiert, führt OvisOCR3 nicht, und auf diesem einen Benchmark setzt Alibabas eigene Tabelle Xiaomi-OCR-0 mit 96,83 knapp davor.
Die größeren Zugewinne gibt es auf schwierigeren Seiten. Auf PureDocBench, das dieselben Seiten sauber, digital beschädigt und abfotografiert testet, steigt der Wert von 75,10 auf 82,31, und der Abfall von sauberen zu abfotografierten Seiten halbiert sich fast, von 15,04 Punkten auf 7,84. Auf MDPBench, 2.720 Bilder in 17 Sprachkategorien, steigt er von 69,00 auf 88,80, und laut Bericht schrumpft der Abstand zwischen lateinischen und nichtlateinischen Schriften von 23,7 Punkten auf 1,5. Das sind öffentliche Benchmarks, aber Alibaba hat OvisOCR3 selbst darauf getestet.
Bei den neuen Aufgaben sind die Belege am dünnsten. Die Feldextraktion erreicht 90,50 im KIE-Teilsatz von OCRBench und 88,69 auf CC-OCR, Letzteres nur 0,26 vor Qwen3.5-OCR. Seitenübergreifende Tabellen erreichen einen Relation-F1 von 97,07 gegenüber 59,14 für MinerU2.5-Pro, aber auf CrossTabBench, einem hausinternen Satz mit 890 Seitenpaaren; auf dem öffentlichen MPDocBench-Parse liegt der Vorsprung bei 92,04 zu 91,87. Bildunterschriften werden auf einem weiteren hausinternen Satz mit 182 Seiten bewertet, dessen Referenzunterschriften ein Vision-Modell entworfen hat. AI Weekly merkt an, dass der Bericht keine Inferenzlatenz im Vergleich zu den 4B-Lehrern veröffentlicht und nicht trennt, was Destillation und Reinforcement Learning jeweils beigetragen haben.
Beim Einsatz hat sich seit OvisOCR2 nichts bewegt. Die Model Card bietet ein einziges Rezept für vLLM, festgelegt auf 0.22.1, und keinen Durchsatzwert. Die Markdown-Ausgabe braucht weiterhin die Funktion zum Bereinigen wiederholter Enden, das Extraktions-JSON wird per Prompt angefordert statt erzwungen und muss daher validiert werden, und die Model Card verlangt, erzeugtes HTML und Mermaid vor dem Rendern zu bereinigen. Community-Builds kamen schnell: Die GGUF-Konvertierung von mradermacher hat 7.007 Downloads, mehr als die 4.972 der Originalgewichte.
Unser Fazit: Für alle, die OvisOCR2 schon betreiben, ist das ein Austausch der Gewichte mit mehr Prompts, keine Migration, und die Modi für Extraktion und seitenübergreifende Tabellen lassen womöglich ein Modell zwei oder drei ersetzen. Teams, die zum ersten Mal einen Parser allein nach Genauigkeit wählen, sind mit GLM-OCR oder PaddleOCR-VL-1.6 besser bedient, bis die Zahlen von OvisOCR3 auf einer Tabelle erscheinen, die Alibaba nicht kontrolliert.
Wo es sich lohnt
Ein Engineer in der Kreditorenbuchhaltung eines mittelgroßen Großhändlers, der Lieferantenrechnungen in mehreren Sprachen erhält
Rechnungsnummer, Datum, Verkäufer und Positionen ohne zweites Modell als JSON auslesen
Schicke jede Seite mit dem schemabasierten Extraktions-Prompt und einer JSON-Vorlage, wie die Model Card es für Rechnungen zeigt, und validiere das JSON vor dem Buchen. Alibaba meldet auf seinem hausinternen KIE-Satz 77,73 gegenüber 75,25 für GLM-OCR; prüfe die Genauigkeit zuerst an deinen eigenen Lieferanten.
Ein Datenteam bei einem Investment-Research-Unternehmen, das Geschäftsberichte parst
Finanztabellen, die über Seitengrenzen umbrechen, zu einzelnen HTML-Tabellen zusammensetzen
Parse jede Seite mit dem strukturierten Prompt und lass dann document_crosspage.py aus der Model Card über benachbarte Seiten laufen, das Paare vom Ende her zusammenführt. Die Genauigkeit hängt vom ersten Parsing-Durchgang und der richtigen Seitenreihenfolge ab, behalte also die Rohausgaben zur Prüfung.
Eine Digitalisierungsleiterin in einem europäischen Archiv, die mit Handyfotos von Akten in nichtlateinischen Schriften arbeitet
Fotografierte Seiten in nichtlateinischer Schrift in durchsuchbares Markdown umwandeln
Lass den Markdown-Parsing-Prompt unter vLLM auf einer GPU laufen. Die Zugewinne auf MDPBench sind hier der stärkste Grund, es OvisOCR2 vorzuziehen, auch wenn es Alibabas eigene Läufe sind und kein Wert für Seiten pro Stunde veröffentlicht ist.
Bevor du dich festlegst
- Einrichtung
- pip install vllm==0.22.1 und pillow, das Repository samt Ordner prompts herunterladen und pro Aufgabe eine Prompt-Datei laden; Thinking muss im Chat-Template abgeschaltet sein, und Anfragen nehmen ein oder zwei Bilder.
- Integrationen
- In der offiziellen Anleitung nur vLLM; Community-Konvertierungen in GGUF, MLX und ONNX int4 gibt es auf Hugging Face. Ausgaben sind Markdown, JSON, HTML-Tabellen, LaTeX und Mermaid, mit Boxen auf einem Raster von 0 bis 1.000.
- Daten und Datenschutz
- Apache 2.0 für kommerzielle Nutzung und Feinabstimmung. 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 die safetensors-Datei ist etwa 1,7 GB groß, eine GPU reicht also. Ein Wert zu Durchsatz oder Latenz ist nicht veröffentlicht, die Kapazitätsplanung braucht also eigene Messungen.
- Grenzen
- Die Beispielausgabe ist auf 16.384 Tokens begrenzt; wiederholte Enden müssen gekürzt werden; KIE-JSON und HTML müssen validiert werden; Bildunterschriften nur auf Englisch, bis 100 Wörter; die Model Card warnt vor Fehlern bei kleinem oder unscharfem Text, dichten Layouts und langen Tabellen.
Was gut ist
- Fünf Aufgabenfamilien in einem 0.8B-Checkpoint, etwa 1,7 GB in BF16
- MDPBench gegenüber OvisOCR2 von 69,00 auf 88,80 gestiegen, laut Alibaba
- Strukturiertes JSON mit Bereichsboxen, dazu ein reiner Layoutmodus
- Apache 2.0, mit Community-Builds in GGUF, MLX und ONNX
Was nicht
- Noch nicht auf der Rangliste von OpenDataLab; jeder Wert selbst gemeldet
- Erfolge bei seitenübergreifenden Tabellen und Bildunterschriften beruhen auf hausinternen Benchmarks
- Weiterhin nur ein Rezept für vLLM, ohne Werte zu Durchsatz oder Latenz
- Markdown-Ausgabe braucht weiterhin eine Bereinigung von Wiederholungen; JSON wird nicht erzwungen
Am besten für
Teams, die Parsing, Feldextraktion und seitenübergreifende Tabellen aus einem kleinen, selbst gehosteten Modell wollen und es an ihren eigenen Dokumenten validieren können.
Alternativen zu OvisOCR3
OvisOCR3: häufige Fragen
- Lohnt sich OvisOCR3?
- OvisOCR3 erledigt fünf Dokumentaufgaben mit dem Platzbedarf, den OvisOCR2 für eine brauchte, und das Einzige, was es bremst, ist, dass es außerhalb von Alibaba noch niemand bewertet hat. Wir bewerten es mit 4.2 von 5.
- Was kostet OvisOCR3?
- Kostenlos unter Apache 2.0. Keine gehostete API; eine kostenlose Demo läuft auf Hugging Face Spaces.
- Welche Nachteile hat OvisOCR3?
- Noch nicht auf der Rangliste von OpenDataLab; jeder Wert selbst gemeldet; Erfolge bei seitenübergreifenden Tabellen und Bildunterschriften beruhen auf hausinternen Benchmarks; Weiterhin nur ein Rezept für vLLM, ohne Werte zu Durchsatz oder Latenz; Markdown-Ausgabe braucht weiterhin eine Bereinigung von Wiederholungen; JSON wird nicht erzwungen.
- Für wen eignet sich OvisOCR3?
- Teams, die Parsing, Feldextraktion und seitenübergreifende Tabellen aus einem kleinen, selbst gehosteten Modell wollen und es an ihren eigenen Dokumenten validieren können.
- Was kostet OvisOCR3 für ein Team oder im Produktivbetrieb?
- Die Gewichte sind kostenlos, und die safetensors-Datei ist etwa 1,7 GB groß, eine GPU reicht also. Ein Wert zu Durchsatz oder Latenz ist nicht veröffentlicht, die Kapazitätsplanung braucht also eigene Messungen.
- Ist OvisOCR3 sicher für Firmendaten?
- Apache 2.0 für kommerzielle Nutzung und Feinabstimmung. Selbst gehostet, Dokumente bleiben also auf deiner Hardware; vertrauliche Seiten gehören nicht in die Demo auf Hugging Face.
- Was sind die besten Alternativen zu OvisOCR3?
- Die nächsten Alternativen, die wir getestet haben, sind OvisOCR2, GLM-OCR, PaddleOCR-VL-1.6, Unlimited-OCR 2, LightOnOCR-3-4B und MiniCPM-OCR 1.0.
Antworten geprüft am 2. Nov. 2026.
Du entwickelst OvisOCR3? Zeig diese Bewertung auf deiner Website
