Rapporto tecnico su OvisOCR3

Abstract degli autori

Presentiamo OvisOCR3, un modello da 0,8 miliardi di parametri per un’ampia gamma di compiti legati all’OCR. OvisOCR3 riunisce in un unico modello il parsing dei documenti, l’OCR generale, l’estrazione di informazioni chiave (KIE), la generazione di didascalie per le figure nei documenti e la ricostruzione di tabelle distribuite su più pagine. Addestriamo il modello su dati reali e sintetici mediante preaddestramento continuo e usiamo un addestramento intermedio bilanciato per dominio per equilibrare la supervisione tra compiti con volumi di dati e lunghezze delle risposte diversi. Una distillazione on-policy da più modelli insegnanti trasferisce al modello condiviso le competenze di cinque modelli da 4 miliardi di parametri, ciascuno specializzato in un dominio; segue un apprendimento per rinforzo su compiti misti con ricompense specifiche per dominio. Confrontiamo OvisOCR3 con modelli visivo-linguistici generalisti e modelli OCR specializzati su benchmark pubblici e interni che coprono tutte e cinque le categorie di compiti. In questi confronti ottiene un punteggio complessivo di 96,74 su OmniDocBench v1.6 e i punteggi complessivi più alti su PureDocBench, Real5-OmniDocBench e MDPBench. Su OCRBench v2 si classifica al primo posto, con punteggi di 65,9 e 61,3 rispettivamente nei sottoinsiemi in inglese e in cinese. Supera inoltre i modelli di riferimento su OCRBench e su tutti e quattro i benchmark KIE. Su DocFigCapBench ottiene il valore F1 di localizzazione più alto e un punteggio per le didascalie vicino a quello di Qwen3.8-Max. Per le tabelle distribuite su più pagine, è primo per Relation F1 su CrossTabBench e per TEDS relativo alle tabelle troncate su MPDocBench-Parse. Questi risultati dimostrano che un modello compatto da 0,8 miliardi di parametri può ottenere prestazioni elevate in diversi compiti legati all’OCR. OvisOCR3 è disponibile all’indirizzo https://huggingface.co/ATH-MaaS/OvisOCR3.