¿Qué es OvisOCR3?
OvisOCR3 es un modelo de OCR y documentos de 800 millones de parámetros de ATH-MaaS, un equipo de Alibaba Group, publicado el 21 de octubre de 2026 con licencia Apache 2.0, un día después de su informe técnico. Como OvisOCR2, es un Qwen3.5-0.8B con post-entrenamiento que lee la imagen de una página en una sola pasada, sin un modelo de maquetación aparte delante. La ficha de OvisOCR2 remite ahora a él como la versión más reciente.
Lo que cambia es el alcance. OvisOCR2 hacía una sola tarea, convertir una página en Markdown. OvisOCR3 añade análisis estructurado a JSON con un cuadro delimitador y una categoría para cada región, detección solo de maquetación, diez prompts de OCR general (del texto plano y los cuadros de palabras a fórmulas, datos de gráficos, traducción y preguntas visuales), tres modos de extracción de información clave, pies de figura con código Mermaid para los diagramas de flujo y un modo de dos páginas que une las tablas partidas por un salto de página. Cada tarea se elige con un archivo de prompt incluido con los pesos.
El entrenamiento cambió en consonancia. La primera fase usó unos 72 millones de ejemplos, con el 57% del presupuesto de muestreo dedicado al análisis de documentos y el 29% al OCR general. Después se destilaron cinco maestros de 4B, uno por familia de tareas, en el alumno de 0,8B, seguido de aprendizaje por refuerzo en las cinco tareas a la vez.
¿Merece la pena OvisOCR3?
OvisOCR3 es mejor modelo que OvisOCR2 en todas las cifras que publican sus creadores, pero ninguna de esas cifras la ha comprobado nadie más. La ficha comunica 96,74 en OmniDocBench v1.6 frente al 96,58 declarado de OvisOCR2, una diferencia de 0,16 puntos, apenas más que los 0,11 que OpenDataLab restó a la cifra de OvisOCR2 cuando ejecutó el modelo por su cuenta. La clasificación de OpenDataLab, actualizada por última vez el 11 de septiembre, no incluye OvisOCR3, y en ese benchmark la propia tabla de Alibaba sitúa a Xiaomi-OCR-0 ligeramente por delante con 96,83.
Las mayores mejoras están en las páginas difíciles. En PureDocBench, que prueba las mismas páginas limpias, degradadas digitalmente y vueltas a fotografiar, la puntuación sube de 75,10 a 82,31 y la caída de las páginas limpias a las refotografiadas casi se reduce a la mitad, de 15,04 puntos a 7,84. En MDPBench, 2.720 imágenes en 17 categorías de idioma, sube de 69,00 a 88,80, y el informe dice que la diferencia entre escrituras latinas y no latinas se reduce de 23,7 puntos a 1,5. Son benchmarks públicos, pero Alibaba ejecutó OvisOCR3 en ellos por su cuenta.
Las tareas nuevas son donde las pruebas son más escasas. La extracción de campos obtiene 90,50 en el subconjunto KIE de OCRBench y 88,69 en CC-OCR, este último solo 0,26 por delante de Qwen3.5-OCR. Las tablas entre páginas llegan a 97,07 de F1 de relaciones frente a 59,14 de MinerU2.5-Pro, pero en CrossTabBench, un conjunto interno de 890 pares de páginas; en el público MPDocBench-Parse la ventaja es de 92,04 a 91,87. Los pies de figura se puntúan con otro conjunto interno de 182 páginas cuyos pies de referencia redactó un modelo de visión. AI Weekly señala que el informe no publica la latencia de inferencia frente a los maestros de 4B y no separa lo que aportaron por separado la destilación y el aprendizaje por refuerzo.
El despliegue no ha cambiado desde OvisOCR2. La ficha da una sola receta de vLLM fijada a 0.22.1 y ninguna cifra de rendimiento. La salida en Markdown sigue necesitando la función de limpieza de colas repetidas, el JSON de extracción se pide por prompt pero no se impone, así que hay que validarlo, y la ficha pide sanear el HTML y el Mermaid generados antes de mostrarlos. Las versiones de la comunidad llegaron deprisa: la conversión GGUF de mradermacher tiene 7.007 descargas, más que las 4.972 de los pesos originales.
Nuestra opinión: para quien ya ejecuta OvisOCR2, esto es un cambio de pesos con más prompts, no una migración, y los modos de extracción y entre páginas pueden permitir que un modelo sustituya a dos o tres. Los equipos que eligen analizador por primera vez solo por precisión estarán mejor con GLM-OCR o PaddleOCR-VL-1.6 hasta que las cifras de OvisOCR3 aparezcan en una tabla que Alibaba no controle.
Dónde se gana su sitio
Un ingeniero de cuentas a pagar en una distribuidora mediana que recibe facturas de proveedores en varios idiomas
Extraer a JSON el número de factura, la fecha, el vendedor y las líneas sin un segundo modelo
Envía cada página con el prompt de extracción basado en esquema y una plantilla JSON, como muestra la ficha para facturas, y valida el JSON antes de registrarlo. Alibaba comunica 77,73 en su conjunto KIE interno frente a 75,25 de GLM-OCR; comprueba antes la precisión con tus propios proveedores.
Un equipo de datos en una firma de análisis de inversiones que procesa informes anuales
Reconstruir como tablas HTML únicas las tablas financieras que se parten entre páginas
Analiza cada página con el prompt estructurado y después ejecuta el document_crosspage.py de la ficha sobre las páginas contiguas, que une los pares empezando por el final. La precisión depende del primer análisis y del orden correcto de las páginas, así que conserva las salidas originales para revisarlas.
Una responsable de digitalización en un archivo europeo que trabaja con fotos de móvil de documentos en escrituras no latinas
Convertir páginas fotografiadas en escrituras no latinas en Markdown con búsqueda
Ejecuta el prompt de análisis a Markdown con vLLM en una GPU. Las mejoras en MDPBench son el motivo más sólido para preferirlo a OvisOCR2 en este caso, aunque son pruebas de Alibaba y no se publica ninguna cifra de páginas por hora.
Antes de decidirte
- Puesta en marcha
- pip install vllm==0.22.1 y pillow, descarga el repositorio con su carpeta de prompts y carga un archivo de prompt por tarea; hay que desactivar el razonamiento en la plantilla de chat, y cada petición admite una o dos imágenes.
- Integraciones
- Solo vLLM en las instrucciones oficiales; hay conversiones GGUF, MLX y ONNX int4 de la comunidad en Hugging Face. Las salidas son Markdown, JSON, tablas HTML, LaTeX y Mermaid, con cuadros sobre una cuadrícula de 0 a 1.000.
- Datos y privacidad
- Apache 2.0 para uso comercial y ajuste fino. Autoalojado, así que los documentos se quedan en tu hardware; la demo de Hugging Face no debería ver páginas confidenciales.
- Coste a escala
- Los pesos son gratuitos y el archivo safetensors ocupa unos 1,7 GB, así que basta una GPU para servirlo. No se publica ninguna cifra de rendimiento ni de latencia, así que planificar la capacidad exige tu propia medición.
- Límites
- La salida del ejemplo tiene un tope de 16.384 tokens; hay que recortar las colas repetidas; el JSON de KIE y el HTML necesitan validación; los pies de figura son solo en inglés, de hasta 100 palabras; la ficha advierte de errores con texto pequeño o borroso, maquetaciones densas y tablas largas.
Lo bueno
- Cinco familias de tareas en un checkpoint de 0,8B, unos 1,7 GB en BF16
- MDPBench sube de 69,00 a 88,80 respecto a OvisOCR2, según Alibaba
- JSON estructurado con cuadros por región, más un modo solo de maquetación
- Apache 2.0, con versiones GGUF, MLX y ONNX de la comunidad
Lo malo
- Aún no está en la clasificación de OpenDataLab; todas las puntuaciones son propias
- Las victorias en tablas entre páginas y pies de figura se basan en benchmarks internos
- Sigue habiendo solo una receta de vLLM, sin cifras de rendimiento ni latencia
- La salida en Markdown sigue necesitando limpieza de repeticiones; el JSON no se impone
Ideal para
Equipos que quieren análisis, extracción de campos y tablas entre páginas con un solo modelo pequeño autoalojado, y pueden validarlo con sus propios documentos.
Alternativas a OvisOCR3
OvisOCR3: preguntas frecuentes
- ¿Merece la pena OvisOCR3?
- OvisOCR3 hace cinco tareas documentales con el mismo tamaño que OvisOCR2 usaba para una, y lo único que lo frena es que nadie fuera de Alibaba lo ha evaluado todavía. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta OvisOCR3?
- Gratuito con licencia Apache 2.0. Sin API alojada; hay una demo gratuita en Hugging Face Spaces.
- ¿Qué inconvenientes tiene OvisOCR3?
- Aún no está en la clasificación de OpenDataLab; todas las puntuaciones son propias; las victorias en tablas entre páginas y pies de figura se basan en benchmarks internos; sigue habiendo solo una receta de vLLM, sin cifras de rendimiento ni latencia; la salida en Markdown sigue necesitando limpieza de repeticiones; el JSON no se impone.
- ¿Para quién es OvisOCR3?
- Equipos que quieren análisis, extracción de campos y tablas entre páginas con un solo modelo pequeño autoalojado, y pueden validarlo con sus propios documentos.
- ¿Cuánto cuesta OvisOCR3 para un equipo o en producción?
- Los pesos son gratuitos y el archivo safetensors ocupa unos 1,7 GB, así que basta una GPU para servirlo. No se publica ninguna cifra de rendimiento ni de latencia, así que planificar la capacidad exige tu propia medición.
- ¿Es OvisOCR3 seguro para los datos de la empresa?
- Apache 2.0 para uso comercial y ajuste fino. Autoalojado, así que los documentos se quedan en tu hardware; la demo de Hugging Face no debería ver páginas confidenciales.
- ¿Cuáles son las mejores alternativas a OvisOCR3?
- Las alternativas más cercanas que hemos analizado son OvisOCR2, GLM-OCR, PaddleOCR-VL-1.6, Unlimited-OCR 2, LightOnOCR-3-4B y MiniCPM-OCR 1.0.
Respuestas comprobadas el 2 nov 2026.
¿Desarrollas OvisOCR3? Muestra esta nota en tu web
