TL;DR ：阿里 ATH-MaaS 团队 10 月 20 日挂出 OvisOCR3 技术报告：一个 0.8B 的统一 OCR 模型，单个模型吃下文档解析、通用 OCR、关键信息抽取（KIE）、文档图表描述、跨页表格重建五大任务族。成绩单：OmniDocBench v1.6 总分 96.74 （超 Gemini 3 Pro 的 92.91）、OCRBench v2 英文 65.9 / 中文 61.3 双榜第一、四个 KIE 基准全第一，拍照/退化文档场景掉分只有上代一半。权重已开源 （HuggingFace: ATH-MaaS/OvisOCR3），做 RAG 数据管道的可以直接本地部署。
想看原文？
- 📄 论文：arXiv 2610.33066
为什么「再加几个任务」不等于「统一 OCR」
做过多任务训练的都知道一个坑：把短答案任务和长文档任务混在一个训练集里，样本均衡了，loss 并不均衡。
OvisOCR3 团队把这组数字摆得很清楚：通用 OCR 在混合数据里占 22.8% 的样本 ，但只贡献 5.2% 的监督 token；KIE 更惨，16.1% 的样本只占 2.5% 的 token。原因很简单------一条 KIE 样本的答案可能就几个字段，而一篇整页解析的输出动辄几千 token。在「token 平均损失」下，长响应任务天然嗓门大，短任务直接被淹没。
这个洞察是整篇报告最有味道的部分，解法也直接：并行训练两个分支，一个按 token 归一化损失（长任务友好），一个按样本归一化（短任务友好），训练完把两边权重融合。经验上样本级损失在 OCR/KIE 这类短响应任务上明显更好。短任务按条数说话，长任务按 token 说话，最后各取所长。
四阶段配方：五个 4B 教师「合体」进一个 0.8B 学生
OvisOCR3 基于 Qwen3.5-0.8B，训练分四段：
- 续训预训练：约 7200 万样本（解析 57% / 通用 OCR 29%），视觉编码器、连接器、语言模型联合更新，五大任务打底。
- 域均衡 mid-training：约 880 万样本，各域 16--23%，配上面的双分支损失归一化 + 权重融合。
- 多教师在线蒸馏（MOPD） ：为每个域训练一个 4B 教师（Qwen3.5-4B 初始化 + 域 SFT + 域 RL），共五个；学生自己先生成，教师在同一段生成前缀上逐 token 给监督。对比了 policy-gradient 和 top-K 两种蒸馏实现，top-K 胜出------多候选的相对偏好信号更利于小容量学生吸收「文字+结构协同生成」的知识。推理时教师全部退役，只剩 0.8B。
- 混合任务 RL（MixRL） ：GRPO 框架下五个域用各自的奖励联合优化。奖励设计相当细：解析用编辑距离 + 表格 TEDS + 公式 CDM；定位任务用 IoU + 重复预测惩罚；KIE 有空字段误填、漏项、串位、超长四类惩罚；跨页表格最讲究------关系优先奖励：只有整组回答对了跨页关联，才有资格用 TEDS 按重建质量打分，否则只按关系对错给分。
这套「域专家教师 → 通用小学生」的蒸馏 + RL 组合，就是 0.8B 能打的关键。
成绩单：通用 VLM 和专用模型两头打
文档解析 （OmniDocBench v1.6，1651 页）：OvisOCR3 总分 96.74，五项指标全部前二，表格 TEDS 95.16 / 表格结构 TEDS-S 97.46 双第一。对比：Gemini 3 Pro 92.91、GPT-5.2 86.59、Qwen3.8-Max 93.70；专用模型里 PaddleOCR-VL-1.6 96.34、同尺寸最强对手 Xiaomi-OCR-0 96.83（互有胜负，这榜基本咬死）。
拍照/退化文档 （PureDocBench，含 Clean/Digital/Real 三轨道）：这是最接近真实落地的战场，OvisOCR3 82.31 三轨道全第一 ，超过 Qwen3.8-Max（80.56）。更说明问题的是掉分幅度：从 Clean 到 Real，OvisOCR3 只掉 7.84 分，上代 OvisOCR2 掉 15.04------鲁棒性实打实翻倍。专用模型第二名 MinerU2.5-Pro 只有 70.07，被拉开 12 分。
通用 OCR （OCRBench / OCRBench v2）：88.8 / 65.9（英）/ 61.3（中）三榜第一；v2 英文榜比参数量 5 倍的 Qwen3.5-4B 高 11.8 分。弱项也不藏：数学计算（英文）只有 34.6，中文元素解析 47.9------手写公式和密集中文版面仍是短板。
KIE：四个基准全第一（OCRBench-KIE 90.50、v2-KIE 83.01、CC-OCR 88.69、自建 KIE Bench 77.73），对最强基线最大领先 9.5 分。
跨页表格：CrossTabBench 关系 F1、MPDocBench-Parse 截断表 TEDS 均领先------多页表格先判「续不续」再重建的范式被验证有效。
冷静看：宣传口径之外的三点
- ⚠️ 两个自建基准（KIE Bench、DocFigCapBench）是主场作战；「图表描述接近 Qwen3.8-Max」这类说法依赖自建基准的度量选择。好在公开基准的领先独立成立，核心结论不靠它们。
- ⚠️ 部分基线分数引自官方 leaderboard 而非本地复测（论文用 † 标注了本地复测项），跨报告协议对齐做得认真但无法根除噪声。
- ⚠️ 四阶段配方没有阶段级消融------蒸馏贡献多少、RL 贡献多少分不出来；训练成本（5 个 4B 教师的算力账）也未披露。
和你有什么关系？
如果你在搭 RAG 管道或数据清洗流水线：0.8B 意味着单卡能跑、可私有化，解析质量已超过一票 3B 级专用模型和 235B 级通用 VLM，直接去 HuggingFace 拉权重试。如果你在做多任务小模型：§3.2 的「双归一化分支 + 权重融合」和「关系优先奖励」都是可以搬走的模式。一句话总结这份报告：OCR 这场仗，拼的已经不是模型大小，而是训练配方。