OvisOCR3

OvisOCR3

用一个 0.8B 模型读取文档图片，返回文字、结构化 JSON、带公式和表格的 Markdown、关键字段和图表说明。适合构建 OCR 和文档流程的开发者。

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：OvisOCR3 负责读文档。它是一个只有 0.8B 参数的小模型，能同时处理图片和文字，起点是 Qwen3.5-0.8B。一个模型涵盖文档解析、通用 OCR、关键信息提取、图表说明和跨页表格重建。你通过给它的提示词来选择任务，所以不需要为每个任务部署单独的模型。

适合谁：它适合把扫描页面、报告和表单变成结构化文字的开发者和数据团队，他们想用一个小模型完成整个工作。

行业 | 谁在用 | 怎么用 | 例子
文档处理 | 数据工程师 | 把页面图片转换成 Markdown 或结构化 JSON | 把扫描的报告转成带表格的 Markdown
后台工作 | 运营团队 | 把指定字段从文档中提取成键值记录 | 根据页面图片填好一个 JSON 模板
出版和研究 | 研究者 | 从论文中获取公式和图表说明 | 得到页面上一个公式的 LaTeX
数据迁移 | 档案团队 | 重建跨越连续页面的表格 | 把被拆开的表格合并成一个 HTML 表格

如果你需要聊天助手，或者读文档以外的任务模型，可以跳过它。

用在哪里：

• 使用 transformers 库的 Python 项目
• 模型卡链接的在线演示空间，可快速测试
• 装有 Python 的 Windows、macOS 或 Linux，用来下载权重

用例 | 谁用 | 得到什么
解析页面 | 开发者 | 一份结构化 JSON、一份版面 JSON，或带有公式和表格的 Markdown
提取字段 | 分析师 | 符合你模板的键值记录或 JSON
给图表加说明 | 研究者 | 带定位的说明，流程图则用 Mermaid
合并拆开的表格 | 数据团队 | 带有来源页的完整 HTML 表格

如何设置：你需要 Python 和一台能放下权重的机器，BF16 下约 1.7 GB。

• Windows、macOS 或 Linux 上的 Python
• huggingface_hub 包
• 用来运行模型的 transformers 库
• 模型仓库里的任务提示词文件

1. 安装 huggingface_hub。
2. 把模型文件下载到你的电脑。
3. 阅读 prompts 文件夹里的任务提示词，因为它们定义了每种输出格式。
4. 用 transformers 加载模型，并把页面图片连同你任务的提示词一起发送。

pip install -U huggingface_hub
hf download ATH-MaaS/OvisOCR3

如何使用：你通过提示词选择任务。模型卡说它的提示词文件规定了输出格式，它自己的示例也直接使用这些文件。可见的卡片文字除了下载没有给出运行命令。

hf download ATH-MaaS/OvisOCR3

工具 | 作用
文档解析 | 把页面图片变成结构化 JSON、版面 JSON 或 Markdown
通用 OCR | 读取图片，给回文字、框的位置、公式、图表数值、类别标签或回答
关键信息提取 | 返回符合你模板的键值记录或 JSON
文档图表说明 | 返回带定位说明的页面内容
跨页表格重建 | 根据连续页面返回完整的 HTML 表格

示例：你把一张页面图片连同解析模式的提示词一起发送。模型会把页面返回为带 LaTeX 公式和 HTML 表格的 Markdown，或者结构化 JSON，取决于你选的模式。

新手与专家：如果你刚接触 OCR，可以把它看成一个读者，看着页面图片，把上面的内容写下来。第一次可以用一张页面图片配上解析提示词，再读它返回的 Markdown。

对熟悉这个领域的人来说，训练分四步：更多预训练、中间阶段、在线策略蒸馏，然后是强化学习。在它自己的表格里，它领先大多数列，不过 Xiaomi-OCR-0 在 OmniDocBench1.6 上的得分略高，所以请在你自己的文档上检验。

Title: OvisOCR3 文档解析得分
OmniDocBench1.6: 96.74
MDPBench: 88.80
PureDocBench: 82.31
Real5-OmniDocBench: 93.63

页面图片和任务提示词输入
0.8B 模型读取并整理页面
输出为 JSON、Markdown、HTML 或文字
你在流程里使用结果

注意事项：基准表来自模型作者，把它和其他同等规模的 OCR 模型做了对比。

• License: Apache 2.0
• Cost to run: 未提及
• Data it reaches: 你输入的页面图片和下载的模型文件
• Not for: 聊天或通用文字任务，因为模型卡描述的是 OCR 和文档理解

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：203,064
• 点赞：121
• 许可证：apache-2.0
• 基于：Qwen/Qwen3.5-0.8B
• Quantized versions: 7
• Fine-tunes: 1
• 标签：transformers, safetensors, qwen3_5, image-text-to-text, document-parsing, multimodal, markdown, tables, formulas, key-information-extraction, figure-captioning, vllm

链接

• 模型：https://huggingface.co/ATH-MaaS/OvisOCR3
• 文件：https://huggingface.co/ATH-MaaS/OvisOCR3/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/OvisOCR3

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。