OvisOCR3: Model Open-Weights 0,8B Menyatukan Parsing Dokumen, OCR, KIE, dan Tabel Lintas-Halaman

OvisOCR3, model dokumen multimodal berparameter 0,8 miliar yang dibangun di atas Qwen3.5-0.8B, sedang dilanda gelombang perhatian komunitas pekan ini seiring pembaruan repo dan halaman papers-nya. Bobotnya diterbitkan di bawah Apache 2.0 oleh ATH-MaaS pada 21 Oktober dengan technical report di arXiv, dan build GGUF komunitas sekitar 812 MB membuatnya bisa dijalankan di perangkat keras lokal sederhana.

Model ini menyatukan lima tugas dokumen dalam satu checkpoint: parsing dokumen ke JSON, Markdown, atau HTML dengan LaTeX; OCR umum dengan bounding box dan VQA; key information extraction berbasis template JSON; document figure captioning termasuk output Mermaid untuk flowchart; dan rekonstruksi tabel lintas halaman, dengan prediksi eksplisit saat tabel memang sudah selesai. Pelatihannya berjalan empat tahap, diakhiri distilasi dari lima model guru spesialis 4B dan reinforcement learning dengan reward per domain.

Benchmark versi vendor menempatkannya di 96,74 pada OmniDocBench v1.6 dan 65,9 pada OCRBench v2 Inggris, di atas model lebih besar seperti Qwen3.5-4B. Penulisnya sendiri mengingatkan belum ada audit independen, dan dominasi data Inggris-Mandarin berarti performa pada bahasa lain harus diuji, bukan diasumsikan.