ATH-MaaS/OvisOCR3

ATH-MaaS 基于 Qwen3.5-0.8B 的 OCR 与文档理解模型，一个 0.8B 模型靠不同任务提示词完成文档解析（Markdown / 带框 JSON / 只出版面）、通用 OCR、关键信息抽取、文档插图描述和跨页表格拼接。 上升分 64 · 点赞 65 · 下载量 904 **理由** - 官方称文档解析：OmniDocBench1.6 为 96.74（Xiaomi-OCR-0 为 96.83，略低），MDPBench 88.80、PureDocBench 82.31，高于表中所有对手（含 Qwen3.8-Max 的 86.40 和 80.56）；通用 OCR 的 OCRBench 为 88.8。 - 相比 OvisOCR2 新增结构化解析和版面检测：输出带 bbox、类别和内容的 JSON 数组，坐标按 0–1000 归一化；插图描述模式可把流程图转成 Mermaid。 - 跨页表格重建：给连续两页图片和解析结果，输出完整 HTML 表格或判断没有续表，官方称 CrossTabBench 关系 F1 为 97.07。10 月 21 日发布，此前各期没有收录。 **用法** - pip install "vllm==0.22.1" pillow；LLM(model=本地模型目录, gdn\_prefill\_backend="triton", limit\_mm\_per\_prompt={"image": 2})，temperature 0、max\_tokens 16384，每次请求 1–2 张图。 - 任务提示词在仓库 prompts/ 目录（plain\_ocr、document\_markdown、document\_structured、document\_layout 等）；填字段时用字面替换，不要用 str.format，因为提示词里有 JSON 和 LaTeX 的大括号。 - Markdown 模式按 OvisOCR2 的后处理：去首尾空白、过滤图片标签块、清理结尾重复；图片区域只给裁剪坐标，需要自己从原图裁出。 **风险** - 需要 vLLM 支持的 GPU 环境，模型卡没给显存需求，也没有 CPU 推理路径；示例从含权重和 prompts/ 的本地目录运行。 - 分数均为官方自测，关键信息抽取里有一项是内部基准；输出不做 JSON 修复，长页面可能撞到 token 上限被截断。 [打开](https://huggingface.co/ATH-MaaS/OvisOCR3)