OvisOCR2

OvisOCR2

文档解析模型：读取一页图像，按阅读顺序输出 Markdown，涵盖文字、公式和表格。约 0.8B 参数，通过 vLLM 运行。适合做文档数字化的开发者。

由 ATH-MaaS 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：OvisOCR2 是一个解析整页文档的小模型。你给它一张页面图像，它会按阅读顺序写出一份 Markdown 文档，包含文字、公式、表格和图片区域。它是在 Qwen3.5-0.8B 基础上做后训练得到的，不需要单独的版面分析流水线。

适合谁：它适合把扫描或拍摄的页面变成可搜索、可编辑、可交给其他工具的文本的开发者和数据团队。你需要会用 Python，并有一台能运行 vLLM 的机器。

行业 | 谁在用 | 怎么用 | 例子
文档处理 | 数据工程师 | 把页面图像转成 Markdown，用于搜索和审阅 | 把一份扫描报告变成可编辑的文字
科研 | 学者 | 解析含有公式和表格的论文 | 从论文页面中取出 LaTeX 公式
后台运营 | 运营团队 | 把页面图像里的表格取成可用的形式 | 把表单页面里的表格读成 HTML
软件 | 应用开发者 | 通过一个简短的 Python 类给应用加上页面解析 | 对一批图像调用解析器

如果你只是偶尔读一页，可以跳过本地安装，直接试用 Hugging Face 上的在线演示。

用在哪里：你在自己的机器上用 Python 运行它，由 vLLM 负责推理。

• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件
• 使用 vLLM 的 Python 脚本，模型卡里设置了 GPU 显存用量
• Hugging Face 上的在线演示页面，可快速试用

场景 | 适合谁 | 得到什么
解析一张页面图像 | 开发者 | 一段按自然阅读顺序排列的 Markdown 字符串
读取表格 | 分析人员 | 写成 HTML 表格的表格
读取公式 | 研究人员 | 写成 LaTeX 的公式

如何设置：你需要 Python、版本为 0.22.1 的 vLLM 包和 Pillow，还要有一块 GPU 来满足模型卡里的设置。模型按 Hugging Face 上的名字加载。

• Windows、macOS 或 Linux 上的 Python
• vLLM 0.22.1 和 Pillow
• 一块 GPU，因为模型卡的代码设置了 vLLM 可使用的显存比例

1. 用下面的命令安装 vLLM 和 Pillow。
2. 也可以提前下载模型文件。
3. 复制模型卡里的解析器类，并让它指向模型名。

pip install "vllm==0.22.1" pillow

pip install -U huggingface_hub
hf download ATH-MaaS/OvisOCR2

如何使用：先建好一次解析器，再把一组页面图像交给它。它会为每一页返回一段 Markdown 字符串。模型卡里的代码使用贪心解码，每页最多允许生成 16384 个新令牌。

工具 | 作用
OvisOCR2Parser | 用 vLLM 加载模型，并设定固定的解析指令
parse | 处理一组页面图像，返回 Markdown 字符串
filter_imgtags | parse 上的一个开关，控制结果里的图像标签

from PIL import Image
from vllm import LLM, SamplingParams

示例：你传入一张报告页面的图像，页面上有一段文字、一个公式和一个表格。你会得到 Markdown：文字是普通文本，公式是 LaTeX，表格是 HTML，页面里的图表则是图像标签。

新手与专家：OCR 指的是从图片里读出文字。这个模型更进一步，会把整页（包括表格和公式）重建成 Markdown。先拿一张清晰的页面图像试一下，再把 Markdown 和原图对照检查。

对行家来说，它是在 Qwen3.5-0.8B 上做后训练，用到混合真实页面和合成页面的数据引擎，以及 SFT、RL 和 OPD 的多阶段方案。图像会被缩放到 448 乘 448 到 2880 乘 2880 像素之间，指令要求不翻译文字。它的取舍是部署体积小，由一个模型一次性解析每一页。

页面图像和固定指令一起输入
0.8B 模型读取文字、公式和表格
它按自然阅读顺序写出 Markdown
图表变成带框坐标的图像标签
每一页得到一段 Markdown 字符串

注意事项：作者报告在 OmniDocBench v1.6 上总分 96.58，在 PureDocBench 的 Avg3 得分上为 75.06。他们称此前没有端到端模型登顶过 OmniDocBench 榜单，只有流水线方案。其他人已发布了 27 个量化版本和 5 个微调版本。

• License: Apache 2.0
• Cost to run: 未提及，来源中没有提到密钥或付费服务
• Data it reaches: 你提供的页面图像，以及从 Hugging Face 中心获取的模型文件
• Not for: 翻译或改写文字，因为指令要求保留原文措辞

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：853M
• Weights: about 1.7 GB in BF16; about 426 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：28,050
• 点赞：504
• 许可证：apache-2.0
• 基于：Qwen/Qwen3.5-0.8B
• Quantized versions: 27
• Fine-tunes: 5
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, document-parsing, multimodal, markdown, tables, formulas, vllm, conversational

链接

• 模型：https://huggingface.co/ATH-MaaS/OvisOCR2
• 文件：https://huggingface.co/ATH-MaaS/OvisOCR2/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ATH-MaaS/OvisOCR2

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。