論文の概要: OvisOCR3 Technical Report
- arxiv url: http://arxiv.org/abs/2610.33066v1
- Date: Tue, 20 Oct 2026 12:26:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.235438
- Title: OvisOCR3 Technical Report
- Title（参考訳）: OvisOCR3技術報告
- Abstract要約: OvisOCR3 は OCR 関連タスクの 0.8B モデルである。
OvisOCR3は、ドキュメント解析、一般的なOCR、キー情報抽出、文書の字幕キャプション、クロスページテーブル再構築を単一のモデルで統合する。
- 参考スコア（独自算出の注目度）: 30.049580115233912
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce OvisOCR3, a 0.8B model for a broad range of OCR-related tasks. OvisOCR3 unifies document parsing, general OCR, key information extraction (KIE), document figure captioning, and cross-page table reconstruction in a single model. We train the model on real and synthetic data through continued pretraining and use domain-balanced mid-training to balance supervision across tasks with different data volumes and response lengths. Multi-teacher on-policy distillation transfers expertise from five domain-specific 4B teachers into the shared model, followed by mixed-task reinforcement learning with domain-specific rewards. We compare OvisOCR3 with general-purpose vision-language models and specialized OCR models on public and in-house benchmarks covering all five task families. In these comparisons, it achieves an overall score of 96.74 on OmniDocBench v1.6 and the highest overall scores on PureDocBench, Real5-OmniDocBench, and MDPBench. On OCRBench v2, it ranks first, scoring 65.9 and 61.3 on the English and Chinese splits, respectively. It also outperforms the baselines on OCRBench and all four KIE benchmarks. On DocFigCapBench, it achieves the highest localization F1 and a caption score close to that of Qwen3.8-Max. For cross-page tables, it leads in Relation F1 on CrossTabBench and truncated-table TEDS on MPDocBench-Parse. These results demonstrate that a compact 0.8B model can achieve strong performance across diverse OCR-related tasks. OvisOCR3 is available at https://huggingface.co/ATH-MaaS/OvisOCR3.
- Abstract（参考訳）: OvisOCR3 は OCR 関連タスクの 0.8B モデルである。
OvisOCR3は、ドキュメント解析、一般的なOCR、キー情報抽出(KIE)、文書の字幕キャプション、クロスページテーブル再構築を単一のモデルで統合する。
我々は、データ量と応答長の異なるタスク間での監視のバランスをとるために、事前訓練を継続し、ドメインバランスの中間訓練を用いて、実データと合成データでモデルを訓練する。
マルチテラーオンライン蒸留は、5つのドメイン固有の4B教師の専門知識を共有モデルに移行し、続いてドメイン固有の報酬を伴う混合タスク強化学習を行う。
我々は、OvisOCR3と汎用視覚言語モデル、および5つのタスクファミリを網羅する公立および社内ベンチマークの特殊なOCRモデルを比較した。
これらの比較では、OmniDocBench v1.6で96.74点、PureDocBench, Real5-OmniDocBench, MDPBenchで最高点である。
OCRBench v2では、英語と中国語でそれぞれ65.9と61.3にランクインしている。
また、OCRBenchと4つのKIEベンチマークのベースラインを上回ります。
DocFigCapBenchでは、最高ローカライゼーションF1と、Qwen3.8-Maxに近いキャプションスコアを達成する。
クロスページテーブルでは、CrossTabBenchのRelation F1とMPDocBench-ParseのTruncated-table TEDSに導かれる。
これらの結果から,OCR 関連タスクにおいて,コンパクトな 0.8B モデルにより高い性能を達成できることが示唆された。
OvisOCR3はhttps://huggingface.co/ATH-MaaS/OvisOCR3で入手できる。
関連論文リスト
- PolyOCR-Venus: Unified OCR Foundation Models for Text-Centric Visual Intelligence [29.84455120572156]
我々は、様々なスケールの統一OCR基礎モデルのファミリーであるPolyOCRを提案する。
PolyOCRは、共有命令フォローフレームワークと、異種視覚リソースを品質検証OCR監視に変換する大規模なデータエンジンを組み合わせる。
また,OCRBench v2.1はOCRBench v2の改訂版であり,手作業による校正補正とタスク整合評価指標を備えている。
論文 参考訳（メタデータ） (2026-09-29T14:43:48Z) - Xiaomi-OCR-0 Technical Report [23.404134163642823]
Xiaomi-OCR-0 は文書解析と OCR 中心の理解のための 0.8B モデルである。
約1億1千万サンプルのOCR中心コーパスを自動データエンジンを用いて構築する。
トレーニングレシピは、Q-Maskベースのテキストアンカー、継続事前学習、混合タスク強化学習を組み合わせたものである。
論文 参考訳（メタデータ） (2026-09-28T19:10:10Z) - TongGuOCR: A Layout-Aware and Token-Augmented OCR MLLM for Chinese Historical Documents [50.64307290680222]
TongGuOCRは、中国古文書のOCRのためのレイアウト対応およびトークン拡張型マルチモーダル言語モデル(MLLM)である。
TongGuOCRは93.76 ARを達成し、NEDを10.43から6.15に、RO-EDを7.53から3.49に下げる。
論文 参考訳（メタデータ） (2026-08-08T04:50:00Z) - OvisOCR2 Technical Report [23.66283449540541]
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。
論文 参考訳（メタデータ） (2026-07-15T09:32:33Z) - ClinOCR-Bench: A Comprehensive Clinical Scanned Document Dataset for Optical Character Recognition Model Evaluation [4.105909125198805]
我々は、公開され、現実的なOCRベンチマークデータセットであるClinOCR-Benchをリリースした。
ClinOCR-Benchは、さまざまなドキュメントタイプとレイアウト、一般的なEHRスキャンアーティファクトのフルカバレッジ、保護された健康情報のない機能を備えている。
ベースラインOCR性能は最先端のオープンウェイトおよびプロプライエタリなVLMを用いて評価した。
論文 参考訳（メタデータ） (2026-07-04T00:19:31Z) - Where Vision Becomes Text: Locating the OCR Routing Bottleneck in Vision-Language Models [2.1942030377331245]
視覚言語モデル(VLM)は画像からテキストを読み取ることができるが、この光学文字認識(OCR)情報は言語処理ストリームにどこから入ってくるのか?
因果介入を用いた3つのアーキテクチャファミリ間のOCRルーティング機構について検討する。
論文 参考訳（メタデータ） (2026-02-26T12:06:02Z) - 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) - 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) - LOCR: Location-Guided Transformer for Optical Character Recognition [55.195165959662795]
自動回帰中にトランスフォーマーアーキテクチャに位置案内を組み込むモデルであるLOCRを提案する。
125Kの学術文書ページから777万以上のテキスト配置ペアからなるデータセット上でモデルをトレーニングする。
これは、編集距離、BLEU、METEOR、F測定によって測定されたarXivから構築されたテストセットの既存のメソッドよりも優れています。
論文 参考訳（メタデータ） (2024-03-04T15:34:12Z) - 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。