TL;DR阿里 ATH-MaaS 团队 10 月 20 日挂出OvisOCR3技术报告一个0.8B的统一 OCR 模型单个模型吃下文档解析、通用 OCR、关键信息抽取KIE、文档图表描述、跨页表格重建五大任务族。成绩单OmniDocBench v1.6 总分96.74超 Gemini 3 Pro 的 92.91、OCRBench v2 英文 65.9 / 中文 61.3 双榜第一、四个 KIE 基准全第一拍照/退化文档场景掉分只有上代一半。权重已开源HuggingFace: ATH-MaaS/OvisOCR3做 RAG 数据管道的可以直接本地部署。想看原文 论文arXiv 2610.33066为什么「再加几个任务」不等于「统一 OCR」做过多任务训练的都知道一个坑把短答案任务和长文档任务混在一个训练集里样本均衡了loss 并不均衡。OvisOCR3 团队把这组数字摆得很清楚通用 OCR 在混合数据里占22.8% 的样本但只贡献5.2% 的监督 tokenKIE 更惨16.1% 的样本只占 2.5% 的 token。原因很简单——一条 KIE 样本的答案可能就几个字段而一篇整页解析的输出动辄几千 token。在「token 平均损失」下长响应任务天然嗓门大短任务直接被淹没。这个洞察是整篇报告最有味道的部分解法也直接并行训练两个分支一个按 token 归一化损失长任务友好一个按样本归一化短任务友好训练完把两边权重融合。经验上样本级损失在 OCR/KIE 这类短响应任务上明显更好。短任务按条数说话长任务按 token 说话最后各取所长。四阶段配方五个 4B 教师「合体」进一个 0.8B 学生OvisOCR3 基于 Qwen3.5-0.8B训练分四段续训预训练约 7200 万样本解析 57% / 通用 OCR 29%视觉编码器、连接器、语言模型联合更新五大任务打底。域均衡 mid-training约 880 万样本各域 16–23%配上面的双分支损失归一化 权重融合。多教师在线蒸馏MOPD为每个域训练一个 4B 教师Qwen3.5-4B 初始化 域 SFT 域 RL共五个学生自己先生成教师在同一段生成前缀上逐 token 给监督。对比了 policy-gradient 和 top-K 两种蒸馏实现top-K 胜出——多候选的相对偏好信号更利于小容量学生吸收「文字结构协同生成」的知识。推理时教师全部退役只剩 0.8B。混合任务 RLMixRLGRPO 框架下五个域用各自的奖励联合优化。奖励设计相当细解析用编辑距离 表格 TEDS 公式 CDM定位任务用 IoU 重复预测惩罚KIE 有空字段误填、漏项、串位、超长四类惩罚跨页表格最讲究——关系优先奖励只有整组回答对了跨页关联才有资格用 TEDS 按重建质量打分否则只按关系对错给分。这套「域专家教师 → 通用小学生」的蒸馏 RL 组合就是 0.8B 能打的关键。成绩单通用 VLM 和专用模型两头打文档解析OmniDocBench v1.61651 页OvisOCR3 总分96.74五项指标全部前二表格 TEDS 95.16 / 表格结构 TEDS-S 97.46 双第一。对比Gemini 3 Pro 92.91、GPT-5.2 86.59、Qwen3.8-Max 93.70专用模型里 PaddleOCR-VL-1.6 96.34、同尺寸最强对手 Xiaomi-OCR-0 96.83互有胜负这榜基本咬死。拍照/退化文档PureDocBench含 Clean/Digital/Real 三轨道这是最接近真实落地的战场OvisOCR382.31 三轨道全第一超过 Qwen3.8-Max80.56。更说明问题的是掉分幅度从 Clean 到 RealOvisOCR3 只掉7.84分上代 OvisOCR2 掉 15.04——鲁棒性实打实翻倍。专用模型第二名 MinerU2.5-Pro 只有 70.07被拉开 12 分。通用 OCROCRBench / OCRBench v288.8 / 65.9英/ 61.3中三榜第一v2 英文榜比参数量 5 倍的 Qwen3.5-4B 高11.8 分。弱项也不藏数学计算英文只有 34.6中文元素解析 47.9——手写公式和密集中文版面仍是短板。KIE四个基准全第一OCRBench-KIE 90.50、v2-KIE 83.01、CC-OCR 88.69、自建 KIE Bench 77.73对最强基线最大领先 9.5 分。跨页表格CrossTabBench 关系 F1、MPDocBench-Parse 截断表 TEDS 均领先——多页表格先判「续不续」再重建的范式被验证有效。冷静看宣传口径之外的三点⚠️ 两个自建基准KIE Bench、DocFigCapBench是主场作战「图表描述接近 Qwen3.8-Max」这类说法依赖自建基准的度量选择。好在公开基准的领先独立成立核心结论不靠它们。⚠️ 部分基线分数引自官方 leaderboard 而非本地复测论文用 † 标注了本地复测项跨报告协议对齐做得认真但无法根除噪声。⚠️ 四阶段配方没有阶段级消融——蒸馏贡献多少、RL 贡献多少分不出来训练成本5 个 4B 教师的算力账也未披露。和你有什么关系如果你在搭 RAG 管道或数据清洗流水线0.8B 意味着单卡能跑、可私有化解析质量已超过一票 3B 级专用模型和 235B 级通用 VLM直接去 HuggingFace 拉权重试。如果你在做多任务小模型§3.2 的「双归一化分支 权重融合」和「关系优先奖励」都是可以搬走的模式。一句话总结这份报告OCR 这场仗拼的已经不是模型大小而是训练配方。