OvisOCR2とは？
OvisOCR2は、Alibaba Group内のチームATH-MaaSによる8億（0.8 billion）パラメータの文書解析モデルで、2026年7月にApache 2.0で公開され、7月15日に技術レポートが出ました。ページの画像を1枚受け取り、ページ全体を読み順にMarkdownで書き出します。数式はLaTeX、表はHTML、図はタグ付きのバウンディングボックスです。前段に別のレイアウトモデルはありません。
Qwen3.5-0.8Bを事後学習したものです。チームは教師ありのファインチューニングで学習し、より大きな4Bの分岐で強化学習を行い、その分岐を0.8Bのモデルに蒸留し直してから、いくつかの派生版を平均しました。実際の文書のラベルはPaddleOCR-VL-1.5とMinerU2.5-Proから得て、1つのMarkdownの形式に変換しています。
2026年10月21日、同じチームは同じベースで同じく0.8BのOvisOCR3を公開し、OvisOCR2のモデルカードは現在、新しい版としてそちらを案内しています。
OvisOCR2は使う価値があるか？
OvisOCR2の見出しのスコアは開発元の研究室の外でも通用しており、この分野では本来あるべきより珍しいことです。チームはOmniDocBench v1.6で96.58と報告しており、モデルを自分で実行するOpenDataLabのリーダーボードでは96.47です。これでリーダーボードでは97.03のOXR-1.0、96.91のTeleOCRに次ぐ3位で、96.34のPaddleOCR-VL-1.6、95.22のGLM-OCRをわずかに上回り、しかもどちらよりパラメータが少ないモデルです。
設計上の主張は、1回で読むほうがレイアウトモデルと認識器の組み合わせに勝るというものです。レポートにある1,000ページを超える社内のテストはそれを支持しています。複雑な表の部分集合では、パイプライン型の解析モデルが表の13から17%を見落としたのに対しOvisOCR2は7.96%で、全体のスコアでも85.54でPaddleOCR-VL-1.6の82.88を上回りました。このベンチマークはAlibaba自身の未公開のもので、モデルはPaddleOCR-VL-1.5とMinerU2.5-Proのラベルから学んでいるので、向上の一部は教師モデルの出力をきれいにしたものです。
ツール類は手薄です。モデルカードにあるのはバージョン0.22.1に固定したvLLMの手順1つだけで、Transformers、SGLang、Ollamaについては何もありません。スループットの数字、ホスト版のAPI、ファインチューニングのガイドも公開されていません。サンプルコードには長い出力の末尾で繰り返されたテキストを切り詰める関数も含まれており、密なページでモデルがループすることがある兆候です。モデルカードは重要な作業では結果を手で確認するよう求めています。
より大きな問題はOvisOCR3です。0.8BのQwen3.5のベースとApache 2.0のライセンスを保ち、モデルカードではOmniDocBench v1.6で96.74、PureDocBenchで82.31（OvisOCR2は75.10）、MDPBenchで88.80（同69.00）と報告しており、項目の抽出とページをまたぐ表にも対応しています。これらは自己申告で、まだ公開のリーダーボードには載っていませんが、すでにvLLMでOvisOCR2を動かしているチームには、そのまま差し替えられる後継を試さない理由はほとんどありません。
結論：今後数か月に限っては、スコアが他者に確かめられているという理由だけで、2つのうちOvisOCR2のほうが安全です。OvisOCR3がOpenDataLabのリーダーボードに載れば、OvisOCR2は選択肢ではなく比較の基準になります。
真価を発揮する場面
スキャンした年次報告書を対象にRAGのインデックスを作るフィンテック企業のMLエンジニア
密な表を含む報告書のページを、レイアウトの検出の手順なしにMarkdownにする
モデルカードのvLLMの手順でモデルを動かし、各ページを1辺448から2,880ピクセルでレンダリングし、分割のためにHTMLの表を残します。Alibaba自身のテストでは、パイプライン型の解析モデルより表の見落としが少なく、これは財務諸表で最も重要です。
中程度のGPUを1枚だけ持つ大学図書館のプラットフォームチーム
すでに持っているハードウェアで、数式を含む論文を大量にデジタル化する
BF16で約1.7 GBなので、ほかのサービスと並んで1枚のカードに収まります。数式はLaTeXで返ります。スループットの数字は公開されていないので、1時間あたりのページ数を自分で測る時間を見込んでください。
導入前に確認すること
- 導入
- vllm==0.22.1とpillowをpip installし、モデルカードの固定の解析用プロンプトでATH-MaaS/OvisOCR2を読み込みます。チャットのテンプレートでthinkingを無効にする必要があります。
- 連携
- 公式の手順ではvLLMのみです。Hugging FaceにはコミュニティによるGGUFへの変換版があります。出力は、HTMLの表、LaTeXの数式、座標を0から1,000に縮尺した画像のタグを含むMarkdownです。
- データとプライバシー
- 商用利用とファインチューニングにApache 2.0。セルフホストのみなので、文書は自分のハードウェアにとどまります。Hugging Faceのデモには機密のページを送らないでください。
- 大規模利用時のコスト
- 重みは無料で、BF16で約1.7 GBなので、一般向けかデータセンター向けのGPU 1枚で動かせます。毎秒のページ数は公開されていないので、容量の計画には自分での測定が必要です。
- 制限
- 1回の呼び出しで1ページで、サンプルでは出力が16,384トークンまでに制限されています。長いページでの繰り返しは切り詰める必要があります。モデルカードは重要な用途では手での確認を求めています。
良い点
- OmniDocBench v1.6で96.47、OpenDataLabが独立して測定
- 約0.85Bパラメータで、BF16で約1.7 GB
- 1ページを1回で処理し、別のレイアウトモデルを導入する必要がない
- Apache 2.0で、コミュニティによるGGUFのビルドがある
気になる点
- 3か月以内にOvisOCR3に置き換えられた
- vLLMの手順しかなく、ホスト版のAPIもスループットの数字もない
- サンプルコードで長い出力の繰り返しのループを切り詰める必要がある
- 社内のベンチマークと手書きの結果は未公開のデータ
おすすめの人
公開のOmniDocBenchのリーダーボードで精度が確かめられた、小さな1回読みのページ解析モデルを求める チーム。
OvisOCR2の代替
OvisOCR2：よくある質問
- OvisOCR2は使う価値があるか？
- OvisOCR2は、0.8Bのエンドツーエンドのモデルが最良のパイプライン型の解析モデルに並べることを証明しました。そして3か月後、自身の後継によって2番手の選択肢になりました。 評価は5点満点中4.1点です。
- OvisOCR2の料金は？
- Apache 2.0で無料。ホスト版のAPIはなく、Hugging Face Spacesで無料のデモが動いています。
- OvisOCR2の欠点は？
- 3か月以内にOvisOCR3に置き換えられた; vLLMの手順しかなく、ホスト版のAPIもスループットの数字もない; サンプルコードで長い出力の繰り返しのループを切り詰める必要がある; 社内のベンチマークと手書きの結果は未公開のデータ.
- OvisOCR2は誰に向いているか？
- 公開のOmniDocBenchのリーダーボードで精度が確かめられた、小さな1回読みのページ解析モデルを求めるチーム。
- チームや本番環境でOvisOCR2を使うと費用はいくらか？
- 重みは無料で、BF16で約1.7 GBなので、一般向けかデータセンター向けのGPU 1枚で動かせます。毎秒のページ数は公開されていないので、容量の計画には自分での測定が必要です。
- OvisOCR2は企業データを扱っても安全か？
- 商用利用とファインチューニングにApache 2.0。セルフホストのみなので、文書は自分のハードウェアにとどまります。Hugging Faceのデモには機密のページを送らないでください。
- OvisOCR2の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はPaddleOCR-VL-1.6, GLM-OCR, Xiaomi-OCR-0 、 MiniCPM-OCR 1.0です。
回答確認日：2026年11月2日
OvisOCR2の開発元の方へ：この評価をサイトに掲載できます
