論文の概要: OvisOCR2 Technical Report

• arxiv url: http://arxiv.org/abs/2607.13639v1
• Date: Wed, 15 Jul 2026 09:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.720313
• Title: OvisOCR2 Technical Report
• Title（参考訳）: OvisOCR2技術報告
• Abstract要約: フィルタした実文書アノテーションと合成ページを組み合わせたデータエンジンを構築します。 OvisOCR2はOmniDocBench v1.6で96.58のスコアを得た。 OvisOCR2はPureDocBenchで75.06のAvg3スコアを獲得した。
• 参考スコア（独自算出の注目度）: 23.66283449540541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce OvisOCR2, a 0.8B document parsing model. OvisOCR2 is designed as an end-to-end parser: given a document page image, it generates a Markdown representation in natural reading order, covering text, formulas, tables, and visual regions. We build a data engine that combines filtered real-document annotations with synthetic pages whose rendered images and Markdown targets are derived from the same HTML source. The training recipe includes supervised fine-tuning, reinforcement learning on a 4B branch with a multi-component reward design, on-policy distillation into the 0.8B model, and model fusion. On OmniDocBench v1.6, OvisOCR2 achieves a state-of-the-art overall score of 96.58, placing an end-to-end model at the top of this leaderboard previously dominated by pipeline methods and highlighting the potential of end-to-end document parsing. On PureDocBench, OvisOCR2 also achieves the highest Avg3 score of 75.06. Beyond these two public benchmarks, we evaluate OvisOCR2 on an in-house benchmark designed to cover a broader set of long-tail and challenging scenarios. OvisOCR2 obtains the best overall performance among the compared methods, providing further evidence of its generalization and robustness. OvisOCR2 is available at https://huggingface.co/ATH-MaaS/OvisOCR2.
• Abstract（参考訳）: 0.8B文書解析モデルであるOvisOCR2を紹介する。 OvisOCR2はエンド・ツー・エンドのパーサとして設計されており、文書のページイメージが与えられたら、テキスト、公式、テーブル、視覚領域をカバーする自然な読み順でマークダウン表現を生成する。 我々は、フィルタした実文書アノテーションとレンダリングされた画像とMarkdownターゲットが同じHTMLソースから派生した合成ページを組み合わせたデータエンジンを構築します。 トレーニングレシピは、教師付き微調整、多成分報酬設計の4Bブランチでの強化学習、0.8Bモデルへのオンライン蒸留、モデル融合を含む。 OmniDocBench v1.6では、OvisOCR2が96.58という最先端のスコアを獲得し、それまでパイプラインメソッドが支配していたこのリーダーボードの上部にエンドツーエンドのモデルを配置し、エンドツーエンドのドキュメント解析の可能性を強調している。 PureDocBenchでは、OvisOCR2は75.06のAvg3スコアも達成している。 これら2つの公開ベンチマークの他に、私たちはOvisOCR2を、より広い範囲の長いシナリオと困難なシナリオをカバーするように設計された社内ベンチマークで評価します。 OvisOCR2は比較した手法の中で最高の全体的な性能を示し、その一般化とロバスト性に関するさらなる証拠を提供する。 OvisOCR2はhttps://huggingface.co/ATH-MaaS/OvisOCR2で入手できる。

関連論文リスト

• ABot-OCR Technical Report [1.2258341760650364]
  ABot-OCRは、ページイメージを直接1つのフォワードパスでクリーンなマークダウンに書き起こす、エンドツーエンドのビジョン言語モデルである。 我々は大規模で構造的に一貫した監視を提供する専用データエンジンを開発した。 ABot-OCRは、すべてのエンドツーエンドシステムの中で92.81と93.30の最先端スコアを達成している。
  論文  参考訳（メタデータ） (2026-05-27T05:16:21Z)
• Multimodal OCR: Parse Anything from Documents [72.69545534962234]
  dots.mocrは、チャート、ダイアグラム、テーブル、アイコンなどのビジュアル要素を第一級解析ターゲットとして扱う。 テキストとグラフィックの両方を構造化出力として再構築し、より忠実なドキュメント再構築を可能にする。 不均一なドキュメント要素に対するエンドツーエンドのトレーニングをサポートする。
  論文  参考訳（メタデータ） (2026-03-13T14:42:21Z)
• Qianfan-OCR: A Unified End-to-End Model for Document Intelligence [41.67343426633923]
  Qianfan-OCRは、文書解析、レイアウト分析、文書理解を単一のアーキテクチャで統一する、エンドツーエンドのビジョン言語モデルである。 直接イメージ・ツー・マークダウン変換を実行し、テーブル抽出、チャート理解、文書QA、キー情報抽出など、さまざまなプロンプト駆動タスクをサポートする。 OmniDocBench v1.5 (93.12) と OlmOCR Bench (79.8) のエンド・ツー・エンドモデルの中では、OCRBench、CCOCR、DocVQA、ChartQAの競争成績を達成し、公開鍵情報抽出ベンチマークで最高スコアを獲得した。
  論文  参考訳（メタデータ） (2026-03-11T16:08:22Z)
• FireRed-OCR Technical Report [30.019999826760003]
  本稿では,汎用VLMを専門家を解析するピクセル精度構造文書に変換するフレームワークFireRed-OCRを紹介する。 高品質な構造化データの不足に対処するため,Geometry + Semantics's Data Factoryを構築した。 本稿では,画素レベルの認識から論理構造生成へモデルを導く三段階プログレッシブトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2026-03-02T13:19:23Z)
• LightOnOCR: A 1B End-to-End Multilingual Vision-Language Model for State-of-the-Art OCR [0.29410438275861583]
  我々は,多言語視覚言語モデルである textbfLightOnOCR-2-1B を提案する。 大規模で高品質な蒸留混合物でスキャン、フランス語文書、科学PDFを強くカバーし、LightOnOCR-2はOlmOCR-Benchの最先端の結果を得る。 私たちはApache 2.0でモデルチェックポイントをリリースし、データセットと textbfLightOnOCR-bbox-bench の評価をそれぞれのライセンスで公開しています。
  論文  参考訳（メタデータ） (2026-01-20T18:58:32Z)
• MonkeyOCR v1.5 Technical Report: Unlocking Robust Document Parsing for Complex Patterns [80.05126590825121]
  MonkeyOCR v1.5は、レイアウト理解とコンテンツ認識の両方を強化する統合ビジョン言語フレームワークである。 複雑なテーブル構造に対処するために,視覚的整合性に基づく強化学習手法を提案する。 2つの特別なモジュール、Image-Decoupled Table ParsingとType-Guided Table Mergingを導入し、テーブルの信頼性の高いパースを可能にする。
  論文  参考訳（メタデータ） (2025-11-13T15:12:17Z)
• ABCD-LINK: Annotation Bootstrapping for Cross-Document Fine-Grained Links [57.514511353084565]
  我々は、最高のパフォーマンスのアプローチを選択し、文書間リンクに注釈を付けるための新しいドメインに依存しないフレームワークを提案する。 当社のフレームワークを2つの異なるドメイン – ピアレビューとニュース – に適用しています。 結果として得られた新しいデータセットは、メディアフレーミングやピアレビューなど、数多くのクロスドキュメントタスクの基礎を築いた。
  論文  参考訳（メタデータ） (2025-09-01T11:32:24Z)
• MonkeyOCR: Document Parsing with a Structure-Recognition-Relation Triplet Paradigm [60.14048367611333]
  MonkeyOCRはドキュメント解析のためのビジョン言語モデルである。 SRR(Structure-Recognition-Relation)三重項パラダイムを活用することで、最先端の技術の進歩を図っている。
  論文  参考訳（メタデータ） (2025-06-05T16:34:57Z)
• Long Document Summarization with Top-down and Bottom-up Inference [113.29319668246407]
  本稿では、2つの側面の要約モデルを改善するための原則的推論フレームワークを提案する。 我々のフレームワークは、トップレベルが長距離依存性をキャプチャするドキュメントの階層的な潜在構造を前提としています。 本稿では,様々な要約データセットに対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-03-15T01:24:51Z)
• Structured Multimodal Attentions for TextVQA [57.71060302874151]
  上述の2つの問題を主に解決するために,終端から終端までの構造化マルチモーダルアテンション(SMA)ニューラルネットワークを提案する。 SMAはまず、画像に現れるオブジェクト・オブジェクト・オブジェクト・テキスト・テキストの関係を符号化するために構造グラフ表現を使用し、その後、それを推論するためにマルチモーダルグラフアテンションネットワークを設計する。 提案モデルでは,テキストVQAデータセットとST-VQAデータセットの2つのタスクを事前学習ベースTAP以外のモデルで比較した。
  論文  参考訳（メタデータ） (2020-06-01T07:07:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。