O que é OvisOCR3?
O OvisOCR3 é um modelo de OCR e documentos de 0,8 bilhão de parâmetros da ATH-MaaS, uma equipe dentro do Alibaba Group, lançado em 21 de outubro de 2026 sob Apache 2.0, um dia depois do relatório técnico. Como o OvisOCR2, é um Qwen3.5-0.8B com pós-treinamento que lê a imagem de uma página em uma única passada, sem modelo de layout separado na frente. O card do OvisOCR2 agora aponta para ele como a versão mais nova.
O que mudou foi o escopo. O OvisOCR2 fazia uma tarefa, transformar uma página em Markdown. O OvisOCR3 acrescenta parsing estruturado em JSON com bounding box e categoria para cada região, detecção só de layout, dez prompts de OCR geral (de texto simples e caixas de palavras a fórmulas, dados de gráficos, tradução e perguntas e respostas visuais), três modos de extração de informações-chave, legendas de figuras com código Mermaid para fluxogramas e um modo de duas páginas que une tabelas divididas por uma quebra de página. Cada tarefa é escolhida por um arquivo de prompt distribuído junto com os pesos.
O treinamento mudou para acompanhar. A primeira etapa usou cerca de 72 milhões de exemplos, com 57% do orçamento de amostragem em parsing de documentos e 29% em OCR geral. Cinco professores de 4B, um por família de tarefas, foram então destilados no aluno de 0,8B, seguidos de aprendizado por reforço nas cinco tarefas ao mesmo tempo.
OvisOCR3 vale a pena?
O OvisOCR3 é melhor que o OvisOCR2 em todos os números que os criadores publicam, mas nenhum desses números foi verificado por outra pessoa. O card informa 96,74 no OmniDocBench v1.6 contra os 96,58 autodeclarados do OvisOCR2, uma diferença de 0,16 ponto, pouco mais que os 0,11 que a OpenDataLab tirou do número do OvisOCR2 quando rodou o modelo por conta própria. O ranking da OpenDataLab, atualizado pela última vez em 11 de setembro, não lista o OvisOCR3, e nesse único benchmark a própria tabela da Alibaba põe o Xiaomi-OCR-0 um pouco à frente, com 96,83.
Os ganhos maiores estão nas páginas mais difíceis. No PureDocBench, que testa as mesmas páginas limpas, degradadas digitalmente e refotografadas, a pontuação sobe de 75,10 para 82,31 e a queda entre páginas limpas e recapturadas quase cai pela metade, de 15,04 pontos para 7,84. No MDPBench, com 2.720 imagens em 17 categorias de idioma, ela sobe de 69,00 para 88,80, e o relatório diz que a diferença entre escritas latinas e não latinas encolhe de 23,7 pontos para 1,5. São benchmarks públicos, mas a própria Alibaba rodou o OvisOCR3 neles.
As novas tarefas são onde as evidências são mais escassas. A extração de campos marca 90,50 no subconjunto KIE do OCRBench e 88,69 no CC-OCR, este último só 0,26 à frente do Qwen3.5-OCR. As tabelas entre páginas chegam a 97,07 de F1 de relações contra 59,14 do MinerU2.5-Pro, mas no CrossTabBench, um conjunto interno de 890 pares de páginas; no MPDocBench-Parse, que é público, a vantagem é de 92,04 a 91,87. A geração de legendas de figuras é pontuada em outro conjunto interno de 182 páginas cujas legendas de referência foram rascunhadas por um modelo de visão. A AI Weekly observa que o relatório não publica a latência de inferência em comparação com os professores de 4B e não separa o que cada etapa, destilação e aprendizado por reforço, contribuiu.
A implantação não avançou desde o OvisOCR2. O card traz uma única receita de vLLM fixada na 0.22.1 e nenhum número de throughput. A saída em Markdown ainda precisa da função de limpeza de finais repetidos, o JSON de extração é induzido por prompt e não imposto, então precisa ser validado, e o card pede que HTML e Mermaid gerados sejam higienizados antes da renderização. Os builds comunitários chegaram rápido: a conversão em GGUF do mradermacher tem 7.007 downloads, mais que os 4.972 dos pesos originais.
Nossa opinião: para quem já roda o OvisOCR2, isto é uma troca de pesos com mais prompts, não uma migração, e os modos de extração e de tabelas entre páginas podem permitir que um modelo substitua dois ou três. Equipes escolhendo um parser pela primeira vez só pela precisão fazem melhor com o GLM-OCR ou o PaddleOCR-VL-1.6 até que os números do OvisOCR3 apareçam em uma tabela que a Alibaba não controla.
Onde ele se destaca
Um engenheiro de contas a pagar em uma distribuidora de porte médio que recebe notas de fornecedores em vários idiomas
Extrair número da nota, data, vendedor e itens para JSON sem um segundo modelo
Envie cada página com o prompt de extração por esquema e um modelo de JSON, como o card mostra para notas fiscais, e valide o JSON antes de lançá-lo. A Alibaba informa 77,73 no seu conjunto KIE interno contra 75,25 do GLM-OCR; confira a precisão com os seus próprios fornecedores primeiro.
Uma equipe de dados em uma casa de análise de investimentos que processa relatórios anuais
Reconstruir tabelas financeiras que se quebram entre páginas em tabelas HTML únicas
Processe cada página com o prompt estruturado e depois rode o document_crosspage.py do card sobre páginas adjacentes, que une os pares do fim para o começo. A precisão depende da primeira passada e da ordem correta das páginas, então guarde as saídas brutas para revisão.
Um líder de digitalização em um arquivo europeu que trabalha com fotos de celular de registros em escritas não latinas
Transformar páginas fotografadas em escritas não latinas em Markdown pesquisável
Rode o prompt de parsing em Markdown no vLLM em uma GPU. Os ganhos no MDPBench são o motivo mais forte para preferi-lo ao OvisOCR2 neste caso, embora sejam execuções da própria Alibaba e nenhum número de páginas por hora seja publicado.
Antes de decidir
- Configuração
- pip install vllm==0.22.1 e pillow, baixe o repositório com a pasta de prompts e carregue um arquivo de prompt por tarefa; o thinking precisa estar desativado no chat template, e as solicitações aceitam uma ou duas imagens.
- Integrações
- Só vLLM nas instruções oficiais; há conversões comunitárias em GGUF, MLX e ONNX int4 no Hugging Face. As saídas são Markdown, JSON, tabelas HTML, LaTeX e Mermaid, com caixas em uma grade de 0 a 1.000.
- Dados e privacidade
- Apache 2.0 para uso comercial e fine-tuning. 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 o arquivo safetensors tem cerca de 1,7 GB, então uma GPU o serve. Nenhum número de throughput ou latência é publicado, então o planejamento de capacidade exige a sua própria medição.
- Limites
- A saída de exemplo é limitada a 16.384 tokens; finais repetidos precisam ser cortados; o JSON de KIE e o HTML precisam de validação; as legendas são só em inglês, com até 100 palavras; o card alerta para erros em textos pequenos ou borrados, layouts densos e tabelas longas.
O que é bom
- Cinco famílias de tarefas em um único checkpoint de 0,8B, cerca de 1,7 GB em BF16
- MDPBench sobe de 69,00 para 88,80 em relação ao OvisOCR2, segundo a Alibaba
- JSON estruturado com caixas por região, além de um modo só de layout
- Apache 2.0, com builds comunitários em GGUF, MLX e ONNX
O que não é
- Ainda fora do ranking da OpenDataLab; todas as pontuações são autodeclaradas
- As vitórias em tabelas entre páginas e legendas se apoiam em benchmarks internos
- Continua só com uma receita de vLLM, sem números de throughput ou latência
- A saída em Markdown ainda precisa de limpeza de repetições; o JSON não é imposto
Ideal para
Equipes que querem parsing, extração de campos e tabelas entre páginas a partir de um único modelo pequeno auto-hospedado e podem validá-lo com os próprios documentos.
Alternativas ao OvisOCR3
OvisOCR3: perguntas frequentes
- OvisOCR3 vale a pena?
- O OvisOCR3 faz cinco tarefas com documentos no espaço que o OvisOCR2 usava para uma, e a única coisa que o segura é que ninguém fora da Alibaba o pontuou ainda. Damos nota 4.2 de 5.
- Quanto custa OvisOCR3?
- Gratuito sob Apache 2.0. Sem API hospedada; uma demonstração gratuita roda no Hugging Face Spaces.
- Quais são as desvantagens de OvisOCR3?
- Ainda fora do ranking da OpenDataLab; todas as pontuações são autodeclaradas; as vitórias em tabelas entre páginas e legendas se apoiam em benchmarks internos; continua só com uma receita de vLLM, sem números de throughput ou latência; a saída em Markdown ainda precisa de limpeza de repetições; o JSON não é imposto.
- Para quem OvisOCR3 é indicado?
- Equipes que querem parsing, extração de campos e tabelas entre páginas a partir de um único modelo pequeno auto-hospedado e podem validá-lo com os próprios documentos.
- Quanto custa OvisOCR3 para uma equipe ou em produção?
- Os pesos são gratuitos e o arquivo safetensors tem cerca de 1,7 GB, então uma GPU o serve. Nenhum número de throughput ou latência é publicado, então o planejamento de capacidade exige a sua própria medição.
- OvisOCR3 é seguro para dados da empresa?
- Apache 2.0 para uso comercial e fine-tuning. 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 OvisOCR3?
- As alternativas mais próximas que analisamos são OvisOCR2, GLM-OCR, PaddleOCR-VL-1.6, Unlimited-OCR 2, LightOnOCR-3-4B e MiniCPM-OCR 1.0.
Respostas verificadas em 2 de nov. de 2026.
Você faz o OvisOCR3? Mostre esta nota no seu site
