O que é OvisOCR2?
O OvisOCR2 é um parser de documentos de 0,8 bilhão de parâmetros da ATH-MaaS, uma equipe dentro do Alibaba Group, lançado em julho de 2026 sob Apache 2.0 com um relatório técnico em 15 de julho. Ele recebe a imagem de uma página e escreve a página inteira como Markdown na ordem de leitura, com fórmulas em LaTeX, tabelas em HTML e figuras como bounding boxes marcadas. Não há modelo de layout separado na frente dele.
É um Qwen3.5-0.8B com pós-treinamento. A equipe treinou com fine-tuning supervisionado, rodou aprendizado por reforço em um ramo maior de 4B, destilou esse ramo de volta no modelo de 0,8B e depois fez a média de várias variantes. Os rótulos de documentos reais vieram do PaddleOCR-VL-1.5 e do MinerU2.5-Pro, convertidos para um único formato de Markdown.
Em 21 de outubro de 2026 a mesma equipe lançou o OvisOCR3, também de 0,8B sobre a mesma base, e o card do OvisOCR2 agora aponta para ele como a versão mais nova.
OvisOCR2 vale a pena?
A pontuação de destaque do OvisOCR2 se sustenta fora do laboratório dos criadores, o que é mais raro do que deveria nesta categoria. A equipe informa 96,58 no OmniDocBench v1.6; o próprio ranking da OpenDataLab, que roda os modelos por conta própria, lista 96,47. Isso o coloca em terceiro no ranking, atrás do OXR-1.0, com 97,03, e do TeleOCR, com 96,91, e logo à frente do PaddleOCR-VL-1.6, com 96,34, e do GLM-OCR, com 95,22, com menos parâmetros que qualquer um desses dois.
O argumento do design é que uma única passada supera um modelo de layout mais um reconhecedor. O teste interno do relatório, com mais de 1.000 páginas, o sustenta: parsers em pipeline deixaram passar de 13 a 17% das tabelas no subconjunto de tabelas complexas, contra 7,96% do OvisOCR2, e sua pontuação geral de 85,54 superou os 82,88 do PaddleOCR-VL-1.6. Esse benchmark é da própria Alibaba e não foi publicado, e o modelo aprendeu com rótulos do PaddleOCR-VL-1.5 e do MinerU2.5-Pro, então parte do ganho são versões mais limpas da saída dos seus professores.
O ferramental é escasso. O card oferece uma única receita de vLLM fixada na versão 0.22.1 e nada para Transformers, SGLang ou Ollama; nenhum número de throughput, API hospedada ou guia de fine-tuning é publicado. O código de exemplo também traz uma função para cortar texto repetido no fim de saídas longas, sinal de que o modelo pode entrar em loop em páginas densas, e o card pede que os usuários confiram os resultados à mão em trabalhos críticos.
O problema maior é o OvisOCR3. Ele mantém a base Qwen3.5 de 0,8B e a licença Apache 2.0, e seu card informa 96,74 no OmniDocBench v1.6, 82,31 no PureDocBench contra 75,10 do OvisOCR2 e 88,80 no MDPBench contra 69,00, além de extração de campos e tabelas que atravessam páginas. São números autodeclarados e ainda fora do ranking público, mas uma equipe que já roda o OvisOCR2 no vLLM tem pouco motivo para não testar o sucessor, que se encaixa no lugar dele.
Nossa opinião: o OvisOCR2 é o mais seguro dos dois nos próximos meses só porque sua pontuação foi verificada por outra pessoa; quando o OvisOCR3 aparecer no ranking da OpenDataLab, o OvisOCR2 vira um ponto de referência, e não uma escolha.
Onde ele se destaca
Um engenheiro de ML em uma fintech construindo um índice RAG sobre relatórios anuais digitalizados
Transformar páginas de relatórios com tabelas densas em Markdown sem uma etapa de detecção de layout
Sirva o modelo com a receita de vLLM do card, renderize cada página entre 448 e 2.880 pixels por lado e mantenha as tabelas HTML para a divisão em trechos. O teste da própria Alibaba mostra menos tabelas perdidas que os parsers em pipeline, o que importa sobretudo em demonstrações financeiras.
Uma equipe de plataforma em uma biblioteca universitária com uma única GPU intermediária
Digitalizar artigos com fórmulas em grande volume no hardware que já possui
Com cerca de 1,7 GB em BF16, o modelo cabe ao lado de outros serviços em uma placa. As fórmulas voltam em LaTeX; reserve tempo para medir você mesmo as páginas por hora, já que nenhum número de throughput é publicado.
Antes de decidir
- Configuração
- pip install vllm==0.22.1 e pillow, depois carregue ATH-MaaS/OvisOCR2 com o prompt fixo de parsing do card; o thinking precisa estar desativado no chat template.
- Integrações
- Só vLLM nas instruções oficiais; há conversões comunitárias em GGUF no Hugging Face. A saída é Markdown com tabelas em HTML, fórmulas em LaTeX e tags de imagem cujas coordenadas são escaladas de 0 a 1.000.
- Dados e privacidade
- Apache 2.0 para uso comercial e fine-tuning. Só auto-hospedado, então os documentos ficam no seu hardware; a demonstração no Hugging Face não deve receber páginas confidenciais.
- Custo em escala
- Os pesos são gratuitos e têm cerca de 1,7 GB em BF16, então uma GPU de consumo ou de data center o serve. Nenhum número de páginas por segundo é publicado, então o planejamento de capacidade exige a sua própria medição.
- Limites
- Uma página por chamada, saída limitada a 16.384 tokens no exemplo; a repetição em páginas longas precisa ser cortada; o card pede verificações manuais em aplicações críticas.
O que é bom
- 96,47 no OmniDocBench v1.6, medido de forma independente pela OpenDataLab
- Cerca de 0,85B de parâmetros, cerca de 1,7 GB em BF16
- Uma passada por página; nenhum modelo de layout separado para implantar
- Apache 2.0, com builds comunitários em GGUF
O que não é
- Substituído pelo OvisOCR3 em menos de três meses
- Só uma receita de vLLM; sem API hospedada nem números de throughput
- O código de exemplo precisa cortar loops de repetição em saídas longas
- O benchmark interno e os resultados com manuscritos são dados não publicados
Ideal para
Equipes que querem um parser de páginas pequeno e de passada única cuja precisão foi confirmada no ranking público do OmniDocBench.
Alternativas ao OvisOCR2
OvisOCR2: perguntas frequentes
- OvisOCR2 vale a pena?
- O OvisOCR2 provou que um modelo de ponta a ponta de 0,8B pode igualar os melhores parsers em pipeline, e três meses depois o próprio sucessor o tornou a segunda opção. Damos nota 4.1 de 5.
- Quanto custa OvisOCR2?
- Gratuito sob Apache 2.0. Sem API hospedada; uma demonstração gratuita roda no Hugging Face Spaces.
- Quais são as desvantagens de OvisOCR2?
- Substituído pelo OvisOCR3 em menos de três meses; só uma receita de vLLM; sem API hospedada nem números de throughput; o código de exemplo precisa cortar loops de repetição em saídas longas; o benchmark interno e os resultados com manuscritos são dados não publicados.
- Para quem OvisOCR2 é indicado?
- Equipes que querem um parser de páginas pequeno e de passada única cuja precisão foi confirmada no ranking público do OmniDocBench.
- Quanto custa OvisOCR2 para uma equipe ou em produção?
- Os pesos são gratuitos e têm cerca de 1,7 GB em BF16, então uma GPU de consumo ou de data center o serve. Nenhum número de páginas por segundo é publicado, então o planejamento de capacidade exige a sua própria medição.
- OvisOCR2 é seguro para dados da empresa?
- Apache 2.0 para uso comercial e fine-tuning. Só auto-hospedado, então os documentos ficam no seu hardware; a demonstração no Hugging Face não deve receber páginas confidenciais.
- Quais são as melhores alternativas ao OvisOCR2?
- As alternativas mais próximas que analisamos são PaddleOCR-VL-1.6, GLM-OCR, Xiaomi-OCR-0 e MiniCPM-OCR 1.0.
Respostas verificadas em 2 de nov. de 2026.
Você faz o OvisOCR2? Mostre esta nota no seu site
