نموذج OvisOCR3 بحجم 0.8 مليار معامل يتفوق على نماذج OCR: 96.74 على OmniDocBench v1.6

قدّم باحثون من ATH-MaaS نموذج OvisOCR3، وهو نموذج رؤية ولغة (vision-language) مدمج بحجم 0.8 مليار معامل، يحلّ محل مجموعة كاملة من أنظمة OCR الضيقة التخصص. تتولى مجموعة واحدة من الأوزان تحليل المستندات، والتعرف على النص في صور عشوائية، واستخراج الحقول الرئيسية من النماذج والإيصالات، ووصف الرسوم البيانية والصور التوضيحية داخل المستندات، ودمج الجداول الممتدة على عدة صفحات. سجّل النموذج 96.74 نقطة على OmniDocBench v1.6، واحتل المركز الأول على OCRBench v2. ونُشرت الأوزان وأمثلة الاستدلال (inference) على Hugging Face في مستودع ATH-MaaS/OvisOCR3.

خمسة معلّمين بـ4 مليارات معامل لتلميذ واحد

السؤال الأبرز في المشروع هو كيف تتسع خمس مهارات مختلفة في نموذج بحجم 0.8B. يبدأ المؤلفون بمواصلة تدريب النموذج على مزيج من البيانات الحقيقية والاصطناعية (continued pretraining). ثم تأتي مرحلة domain-balanced mid-training، لأن المهام تتفاوت كثيرًا في حجم البيانات وطول الإجابات. فالصفحة المحوّلة إلى Markdown والحقل القصير المستخرج من إيصال نصّان من رتبتين مختلفتين، ومن دون موازنة كانت المهام الطويلة ستطغى بسهولة على القصيرة.

بعد ذلك تأتي مرحلة multi-teacher on-policy distillation. ينقل خمسة معلّمين متخصصين، حجم كل منهم 4 مليارات معامل ولكل اتجاه معلّم، معرفتهم إلى النموذج المشترك. ويعني التقطير on-policy أن التلميذ يولّد الإجابات بنفسه، بينما يقيّمها المعلّمون ويصحّحونها. وتُختتم السلسلة بمرحلة mixed-task reinforcement learning بمكافآت خاصة بكل مجال، أي أن لكل نوع من المهام مقياس جودة خاصًّا به.

أين تقدّم النموذج

قارن المؤلفون OvisOCR3 بنماذج VLM العامة وبنماذج OCR المتخصصة على معايير عامة وداخلية. هذه النتائج في عائلات المهام الخمس:

• OmniDocBench v1.6 (تحليل المستندات): الدرجة الإجمالية 96.74.
• PureDocBench وReal5-OmniDocBench وMDPBench: أعلى درجة إجمالية بين النماذج المقارَنة.
• OCRBench v2: المركز الأول، بـ65.9 في الشق الإنجليزي و61.3 في الشق الصيني.
• OCRBench: يتقدم النموذج على النماذج الأساسية المستخدمة للمقارنة.
• أربعة معايير لاستخراج المعلومات الرئيسية (KIE): أفضل النتائج في المعايير الأربعة جميعها.
• DocFigCapBench (تعليقات على الصور التوضيحية في المستندات): أفضل localization F1، وجودة التعليقات قريبة من Qwen3.8-Max.
• CrossTabBench (جداول عبر عدة صفحات): الصدارة في Relation F1.
• MPDocBench-Parse: أفضل TEDS للجداول المقطوعة.

والمركز الأول في OCRBench v2 مهم بحد ذاته، فهذا المعيار لا يختبر قراءة النص فحسب، بل سيناريوهات متنوعة للعمل معه بلغتين. ومؤشر الشق الصيني أدنى من الإنجليزي، لكن النموذج يتصدر في كليهما.

جداول لا تتسع في صفحة واحدة

يستحق تجميع الجداول بين الصفحات اهتمامًا خاصًّا. فالتقارير المالية والمواصفات والسجلات تنقل صفوفها بانتظام إلى الورقة التالية، ويمزّق المحلل التقليدي الذي يعالج كل صفحة على حدة البنية: يبقى العنوان في صفحة وتذهب البيانات إلى أخرى. يعيد OvisOCR3 بناء الروابط بين الأجزاء، وهنا تحديدًا يتصدر في Relation F1 وفي TEDS للجداول المقطوعة. وفي مهام مثل تحميل المستندات إلى RAG أو أتمتة المحاسبة، هذه مشكلة كانت تُعالَج سابقًا بحلول ترقيعية.

يظهر النموذج في خضم موجة من الأعمال المشابهة. فالبحث الدلالي في Hugging Face يعرض إلى جانبه PolyOCR-Venus وXiaomi-OCR-0 وJina-OCR-v1، إضافة إلى عمل عن نماذج VLM الخفيفة لـOCR مع JSON منظَّم. ويتجه السوق بوضوح نحو نماذج صغيرة موحّدة بدلًا من سلاسل تضم كاشفًا ومتعرّفًا ومعالجة لاحقة.

لمن يستحق التجربة

بحجم 0.8 مليار معامل، يمكن تشغيل النموذج على عتاد متواضع: بطاقة رسوميات استهلاكية واحدة، وضمن بيئة خاصة دون إرسال المستندات إلى API خارجي. وهذا يهم الفرق التي تعالج مسوحات ضوئية للعقود والفواتير والاستمارات والتقارير التي تضم آلاف الصفحات. ومحرّك واحد بدلًا من خمسة يبسّط النشر والصيانة.

القيود واضحة أيضًا: المقارنات أجراها المؤلفون أنفسهم، وبعض المعايير داخلية. لذا ينبغي قبل تغيير خط الإنتاج تجربة النموذج على مستنداتك الخاصة، خصوصًا ذات الخطوط النادرة والمسوحات الرديئة والجداول متعددة الصفحات. ويطلب المؤلفون أنفسهم ملاحظات من المجتمع، ولذلك ستظهر أولى القياسات المستقلة سريعًا.