跳到正文
只看论文#多模态
  1. 掘金81

    阿里 ATH-MaaS 开源 0.8B 统一 OCR 模型 OvisOCR3，OmniDocBench v1.6 得分 96.74

    阿里 ATH-MaaS 团队 10 月 20 日发布 OvisOCR3 技术报告，一个基于 Qwen3.5-0.8B 的统一 OCR 模型，单模型覆盖文档解析、通用 OCR、KIE、图表描述和跨页表格重建五类任务，权重已在 HuggingFace 开源。

    借鉴点

    能拿走双归一化分支加权重融合、关系优先奖励两套配方，落到 RAG 数据管道和本地部署；代价是四阶段无消融、教师算力账未披露。

  1. 掘金71

    FAU 实测 8 个 7B 以下 VLM 抽取 JSON：OCR 专用模型零分，通用指令模型微调后领先

    德国埃尔朗根-纽伦堡大学（FAU）团队用三个真实馆藏数据集实测 8 个 7B 以下开源 VLM 的结构化 JSON 抽取能力，发现 OCR 专用小模型在 mAP-F1 上几乎全为 0，通用指令模型微调后才是赢家。

    借鉴点

    能拿走的是选型口径和避坑清单，结构化抽取优先测通用指令 VLM 而非 OCR 专用小模型，微调配 HPO 是主策略，图像预处理和多阶段训练要先验证；代价是结论只对被测版本负责，楼梯表测试集仅 25 张。

已经到底了