نموذج OvisOCR3 بحجم 0.8 مليار معامل يتصدر خمس مهام OCR دفعة واحدة

أصدر فريق من 15 مؤلفًا نموذج OvisOCR3، وهو نموذج بحجم 0.8 مليار معامل يتولى بمجموعة أوزان واحدة خمس مهام دفعة واحدة: تحليل المستندات، وOCR العام، واستخراج المعلومات الرئيسية (KIE)، وكتابة تعليقات الرسوم داخل المستندات، وتجميع الجداول الممتدة على عدة صفحات. يحصل النموذج على 96.74 نقطة على OmniDocBench v1.6، ويحتل المركز الأول على OCRBench v2 بنتيجة 65.9 في القسم الإنجليزي و61.3 في القسم الصيني. وتقف إلى جواره نماذج VLM عامة الأغراض ونماذج OCR شديدة التخصص، ووفق النتائج المعلنة يتفوق النموذج الصغير على كثير منها.

خمسة معلّمين لطالب واحد

يكمن الجزء الأهم من العمل في طريقة تدريب النموذج. بدأ المؤلفون بمرحلة continued pretraining على مزيج من البيانات الحقيقية والاصطناعية، ثم أضافوا مرحلة domain-balanced mid-training. فالمهام تتباين كثيرًا في حجم بياناتها وطول إجاباتها. إذ يُنتج تحويل صفحة كاملة إلى صيغة ترميز آلاف الرموز (tokens)، بينما يكفي لاستخراج بضعة حقول من إيصال شراء بضعة أسطر. ومن دون موازنة، كانت المجالات الطويلة ستطغى بسهولة على القصيرة، وتعمل هذه المرحلة على معادلة مساهمة كل مجال في التدريب.

تلي ذلك مرحلة multi-teacher on-policy distillation. إذ ينقل خمسة معلّمين متخصصين، حجم كل منهم 4B، مهاراتهم إلى نموذج عام أصغر من كل واحد منهم بخمس مرات. ويعني التقطير on-policy أن الطالب يتعلم من مخرجاته هو، بينما يتولى المعلّمون تقييمها. أما الخطوة الأخيرة فهي mixed-task reinforcement learning بمكافآت مخصصة لكل مجال، إذ تُستخدم معايير جودة مختلفة للجداول والتعليقات واستخراج الحقول.

أين يتقدم OvisOCR3

يقارن المؤلفون النموذج على اختبارات عامة وداخلية تغطي عائلات المهام الخمس كلها. وفيما يلي النتائج بحسب بياناتهم:

• OmniDocBench v1.6 — الدرجة الإجمالية 96.74.
• PureDocBench وReal5-OmniDocBench وMDPBench — أعلى درجة إجمالية بين النماذج المشمولة بالمقارنة.
• OCRBench v2 — المركز الأول: 65.9 (القسم الإنجليزي) و61.3 (القسم الصيني).
• OCRBench — أعلى من جميع النماذج المرجعية.
• اختبارات KIE الأربعة — أعلى من النماذج المرجعية في كل منها.
• DocFigCapBench — أفضل localization F1، وجودة تعليقات قريبة من Qwen3.8-Max.
• CrossTabBench — الصدارة في Relation F1 للجداول الممتدة على عدة صفحات.
• MPDocBench-Parse — أفضل TEDS على الجداول المقتطعة.

تستحق تعليقات الرسوم وقفة خاصة. فالنموذج بحجم 0.8B يكاد يلحق هنا بـ Qwen3.8-Max، ويتفوق على جميع المشمولين بالمقارنة في دقة تحديد موضع الأشكال على الصفحة. وهذه مهمة تقع عند تقاطع الرؤية واللغة، وغالبًا ما تكون الغلبة فيها لنماذج VLM العامة الكبيرة.

جداول لا تتسع في صفحة واحدة

لا تزال الجداول العابرة للصفحات نقطة ضعف في كثير من خطوط معالجة OCR. فالتقرير المالي أو المواصفات الفنية أو كشف الحساب كثيرًا ما ينقل الجدول إلى الورقة التالية برأس مكرر أو مفقود. ويرى المحلل التقليدي جزأين مستقلين، فتتفكك البنية. وتقيس مقاييس Relation F1 على CrossTabBench وTEDS على الجداول المقتطعة في MPDocBench-Parse القدرة تحديدًا على استعادة الروابط بين الأجزاء. والصدارة فيهما تشير إلى أن النموذج يفهم المستند كاملًا، لا صفحة بعد صفحة.

لمن يستحق الاهتمام

يبسّط نموذج واحد بديلًا عن مجموعة نماذج متخصصة البنية المعمارية. فلا حاجة إلى الاحتفاظ بخدمات منفصلة لتحليل المستندات وKIE وتعليقات الصور، ولا إلى مواءمة صيغ مخرجاتها، ولا إلى تخصيص مناوبة لمراقبة كل منها. ويتيح حجم 0.8B توقّع استدلال (inference) منخفض التكلفة وتشغيلًا على عتاد متواضع، مع أن المؤلفين لا ينشرون مقارنات للتكلفة، وسيتعين على الفرق اختبار السرعة بنفسها.

أما الفرق التي تبني RAG فوق ملفات PDF، أو تعالج العقود والفواتير والتقارير، أو ترقمن مستندات صينية وإنجليزية، فأمامها مرشّح يصلح لاختبار سريع. والأفضل البدء بأصعب مستنداتها، أي تلك التي تحوي جداول ممتدة على عدة صفحات ورسومًا معقدة. وستبيّن النتائج على بياناتها الخاصة إلى أي مدى تنتقل أرقام الاختبارات المرجعية إلى بيئة الإنتاج. أما الوصفة نفسها، من معلّمين متخصصين وتقطير وRL بمكافآت مختلفة، فتبدو نهجًا قابلًا للتكرار في مهام متعددة المجالات أخرى، حين يلزم جمع عدة متخصصين في نموذج واحد مدمج.