OvisOCR3とは？
OvisOCR3は、Alibaba Group内のチームATH-MaaSによる8億（0.8 billion）パラメータのOCRと文書のモデルで、技術レポートの翌日、2026年10月21日にApache 2.0で公開されました。OvisOCR2と同じく、Qwen3.5-0.8Bを事後学習したもので、ページの画像を1回で読み、前段に別のレイアウトモデルはありません。OvisOCR2のモデルカードは現在、新しい版としてこちらを案内しています。
変わったのは範囲です。OvisOCR2がこなしたのは、ページをMarkdownにするという1つの仕事でした。OvisOCR3は、すべての領域にバウンディングボックスとカテゴリを付ける構造化されたJSONでの解析、レイアウトのみの検出、10種類の汎用のOCRのプロンプト（プレーンテキストや単語のボックスから、数式、グラフのデータ、翻訳、視覚的な質問応答まで）、3つのモードの重要情報の抽出、フローチャートのMermaidのコード付きの図の説明文、そしてページの区切りで分かれた表をつなぎ合わせる2ページのモードを加えています。各タスクは、重みとともに提供されるプロンプトのファイルで選びます。
学習もそれに合わせて変わりました。最初の段階では約7,200万（72 million）件の例を使い、サンプリングの配分の57%を文書の解析に、29%を汎用のOCRに充てました。その後、タスクのファミリーごとに1つずつ、5つの4Bの教師モデルを0.8Bの生徒モデルに蒸留し、続けて5つのタスクすべてで同時に強化学習を行いました。
OvisOCR3は使う価値があるか？
開発元が公開するどの数字でも、OvisOCR3はOvisOCR2より優れたモデルです。ただしそのどれも、他者による確認を受けていません。モデルカードではOmniDocBench v1.6で96.74と報告しており、OvisOCR2の自己申告の96.58との差は0.16ポイントです。OpenDataLabがOvisOCR2を自分で実行したときに差し引いた0.11をわずかに上回る程度です。9月11日に最終更新されたOpenDataLabのリーダーボードにはOvisOCR3は載っておらず、そのベンチマークだけで見れば、Alibaba自身の表でもXiaomi-OCR-0が96.83でわずかに上回っています。
より大きな向上は、難しいページで見られます。同じページをきれいな状態、デジタル的に劣化させた状態、撮影し直した状態でテストするPureDocBenchでは、スコアが75.10から82.31に上がり、きれいなページから撮影し直したページへの低下も15.04ポイントから7.84へとほぼ半分になりました。17の言語カテゴリの2,720枚の画像から成るMDPBenchでは69.00から88.80に上がり、レポートによるとラテン文字と非ラテン文字の差は23.7ポイントから1.5に縮まりました。これらは公開のベンチマークですが、OvisOCR3を実行したのはAlibaba自身です。
証拠が最も薄いのは新しいタスクです。項目の抽出はOCRBenchのKIEの部分集合で90.50、CC-OCRで88.69で、後者はQwen3.5-OCRをわずか0.26上回るだけです。ページをまたぐ表は関係のF1で97.07に達し、MinerU2.5-Proの59.14を上回りますが、これは890組のページによる社内のセットCrossTabBenchでの結果です。公開のMPDocBench-Parseでは差は92.04対91.87です。図の説明文は、参照用の説明文を視覚モデルが下書きした182ページの別の社内のセットで採点されています。AI Weeklyは、レポートが4Bの教師モデルと比べた推論のレイテンシーを公開しておらず、蒸留と強化学習の各段階がそれぞれどれだけ寄与したかも分けていないと指摘しています。
導入の面はOvisOCR2から進んでいません。モデルカードにあるのは0.22.1に固定したvLLMの手順1つで、スループットの数字はありません。Markdownの出力にはいまも末尾の繰り返しを片付ける関数が必要で、抽出のJSONは強制ではなくプロンプトで指示するだけなので検証が必要です。モデルカードは、生成されたHTMLとMermaidを描画する前に無害化するよう求めています。コミュニティのビルドは素早く現れ、mradermacherのGGUFへの変換版は7,007回ダウンロードされ、元の重みの4,972回を上回っています。
結論：すでにOvisOCR2を動かしている人にとって、これは移行ではなく、プロンプトの増えた重みの差し替えです。抽出とページをまたぐモードで、1つのモデルで2つか3つのモデルを置き換えられるかもしれません。精度だけで初めて解析モデルを選ぶチームには、OvisOCR3の数字がAlibabaの管理しない表に載るまでは、GLM-OCRかPaddleOCR-VL-1.6のほうが適しています。
真価を発揮する場面
複数の言語で取引先の請求書を受け取る中堅の卸売業者の買掛金担当エンジニア
2つ目のモデルなしに、請求書番号、日付、売り手、明細をJSONに取り出す
モデルカードが請求書の例で示しているように、スキーマに基づく抽出のプロンプトとJSONのテンプレートを付けて各ページを送り、登録する前にJSONを検証します。Alibabaは社内のKIEのセットで77.73と報告しており、GLM-OCRは75.25です。まず自分の取引先で精度を確かめてください。
年次報告書を解析する投資調査会社のデータチーム
ページの境目で分かれた財務の表を、1つのHTMLの表に組み立て直す
構造化のプロンプトで各ページを解析し、隣り合うページにモデルカードのdocument_crosspage.pyを実行します。これは末尾から順にページの組をつなぎます。精度は最初の解析と正しいページの順序に左右されるので、元の出力は確認のために残してください。
非ラテン文字の記録をスマートフォンで撮影した写真から扱う欧州のアーカイブのデジタル化責任者
撮影した非ラテン文字のページを検索可能なMarkdownにする
GPU 1基でvLLMを使い、Markdownの解析のプロンプトを実行します。この用途でOvisOCR2より選ぶ最大の理由はMDPBenchでの向上です。ただしそれはAlibaba自身の実行によるもので、1時間あたりのページ数は公開されていません。
導入前に確認すること
- 導入
- vllm==0.22.1とpillowをpip installし、promptsフォルダーを含むリポジトリをダウンロードして、タスクごとにプロンプトのファイルを読み込みます。チャットのテンプレートでthinkingを無効にする必要があり、1つのリクエストには1枚か2枚の画像を送ります。
- 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、MLX、ONNX int4への変換版があります。出力はMarkdown、JSON、HTMLの表、LaTeX、Mermaidで、ボックスは0から1,000の格子で表されます。
- 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、safetensorsのファイルは約1.7 GBなので、GPU 1基で動かせます。スループットやレイテンシーの数字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
- 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。末尾の繰り返しは切り詰める必要があります。KIEのJSONとHTMLは検証が必要です。図の説明文は英語のみで最大100語です。モデルカードは、小さいかぼやけた文字、密なレイアウト、長い表での誤りを警告しています。
良い点
- 5つのタスクのファミリーを1つの0.8Bのチェックポイントで、BF16で約1.7 GB
- Alibabaによると、MDPBenchがOvisOCR2の69.00から88.80に向上
- 領域のボックス付きの構造化されたJSONと、レイアウトのみのモード
- Apache 2.0で、コミュニティによるGGUF、MLX、ONNXのビルドがある
気になる点
- まだOpenDataLabのリーダーボードに載っておらず、スコアはすべて自己申告
- ページをまたぐ表と図の説明文での優位は社内のベンチマークに依拠している
- いまもvLLMの手順だけで、スループットやレイテンシーの数字がない
- Markdownの出力には いまも繰り返しの片付けが必要で、JSONは強制されない
おすすめの人
解析、項目の抽出、ページをまたぐ表を1つの小さなセルフホストのモデルでまかないたく、自分の文書で検証できるチーム。
OvisOCR3の代替
OvisOCR3：よくある質問
- OvisOCR3は使う価値があるか？
- OvisOCR3は、OvisOCR2が1つの仕事に使っていたのと同じ大きさで、5つの文書の仕事をこなします。足を引っ張っているのは、Alibabaの外でまだ誰も採点していないことだけです。 評価は5点満点中4.2点です。
- OvisOCR3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。
- OvisOCR3の欠点は？
- まだOpenDataLabのリーダーボードに載っておらず、スコアはすべて自己申告; ページをまたぐ表と図の説明文での優位は社内のベンチマークに依拠している; いまもvLLMの手順だけで、スループットやレイテンシーの数字がない; Markdownの出力にはいまも繰り返しの片付けが必要で、JSONは強制されない.
- OvisOCR3は誰に向いているか？
- 解析、項目の抽出、ページをまたぐ表を1つの小さなセルフホストのモデルでまかないたく、自分の文書で検証できるチーム。
- チームや本番環境でOvisOCR3を使うと費用はいくらか？
- 重みは無料で、safetensorsのファイルは約1.7 GBなので、GPU 1基で動かせます。スループットやレイテンシーの数字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。
- OvisOCR3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。
- OvisOCR3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OvisOCR2, GLM-OCR, PaddleOCR-VL-1.6, Unlimited-OCR 2, LightOnOCR-3-4B 、 MiniCPM-OCR 1.0です。
回答確認日：2026年11月2日
OvisOCR3の開発元の方へ：この評価をサイトに掲載できます
