Ovis2.5 – 原生分辨率视觉模型

提到多模态大模型，很多人会默认“参数越大性能越强”，但Ovis2.5偏要打破这个固有印象——它用更小的参数规模，交出了碾压级的成绩单。

这次Ovis2.5推出的9B和2B两个版本，在权威评测OpenCompass里分别拿到78.3分和73.9分，直接把开源模型的纪录给刷新了。其中9B版本在40B以下参数的模型里稳坐第一，更意外的是2B版本，性能居然超过了不少7B参数的模型。最让人惊喜的还要数数学推理能力：在MathVista测试中，9B版本拿下83.4分，不仅超过Gemini Pro的80.9分，就连GPT-4o的71.6分都被甩在了后面；2B版本也不甘示弱，以81.4分轻松碾压同级别模型。

为啥小参数能有这么强的实力？核心秘密藏在它的动态分辨率视觉编码器（NaViT）里。以前的模型处理高分辨率图像，总得把图切成小块，结果要么图表的整体结构被拆得七零八落，要么文字细节直接丢失。但Ovis2.5的NaViT不一样，它能直接处理原生分辨率图像，最高支持1792×1792像素，还在ViT层里嵌了旋转位置编码（RoPE）——这样一来，图像的宏观布局和微观细节能同时抓得稳稳的。实测数据也很能说明问题：物流单据的OCR识别准确率提升了12%，发票密文提取的错误率更是直接降了37%。

用AI解题时，你是不是也碰到过这种糟心情况：模型跳步跳得厉害，最后得出的答案还特别离谱？Ovis2.5针对这个问题，专门搞了个“反思式推理链”，相当于给模型加了个可开关的“思考模式”。

在训练阶段，它通过DPO偏好对齐和GRPO强化学习，自己合成了10万组带自我修正步骤的“思考数据”；到了实际推理时，用户想让模型更严谨，就手动打开“思考模式”——这时候模型会主动把中间推导过程写出来，检查逻辑漏洞，甚至修正之前的错误结论。这种设计很灵活，既能保证精度，又能控制延迟：默认模式下，模型直接输出答案，响应更快；打开“思考模式”后，高中数学图像题的解题准确率从68%涨到了79%，不过推理耗时会增加40%。比如解三角函数图像题时，它不会像以前那样“看图蒙答案”，而是先标注周期、振幅，再验算公式匹配度，最后才输出结果，大大减少了“幻觉”问题。

图表理解一直是多模态领域的“老大难”——要么噪声元素干扰识别，要么数据密度太高理不清，再加上逻辑链藏得深，之前的模型大多束手无策。Ovis2.5从三个维度一起发力，才算把这个“死穴”打通了。

首先是数据层，它新增了50%的高质量数据，涵盖图表、OCR、Grounding三大类，还覆盖了财报、物流单、科学图谱等20种复杂场景，让模型见的“世面”更广；然后是视觉层，靠NaViT直接解析图表元素，不会像以前那样因为切图，导致坐标轴断裂、图例错位；最后是推理层，融合了之前的反思机制，让模型能分清主辅数据——比如分析美国服务业就业图表时，它会先定位坐标单位，再排除灰色背景这种噪声，最后精准锁定教育板块的占比数据。

这样的优化效果很明显：在ChartQA Pro测试中，Ovis2.5-9B拿到63.8分，不仅创了开源模型的新高，还比前代提升了17.2%；中文OCR任务（OCRBench-CN）里，它更是拿到58.0分，把GPT-4o的32.2分远远甩在了后面。

Ovis2.5能有这么大的性能飞跃，背后其实是训练范式的彻底重构——它用了五阶段渐进式训练，每一步都踩得很实：

1. 视觉预训练：先把ViT的大部分参数冻结，再用图像-文本对训练视觉嵌入表（VET），打好视觉基础；
2. 多模态对齐：激活RoPE位置编码，把OCR、定位数据“灌”进模型，让视觉和语言能力衔接更顺畅；
3. 指令微调：引入多图像、视频，还有带反思标签的QA数据，让模型更懂实际任务需求；
4. DPO对齐：对所有参数做优化，同时结合负对数似然损失，减少模型“瞎编”的情况；
5. GRPO强化：冻结视觉模块，专心调优语言模型的推理能力，避免顾此失彼。

这套训练方法还大大提升了效率：通过多模态数据打包减少填充计算，再加上数据、张量、上下文混合并行的框架降低内存占用，训练效率直接提升了3-4倍。以前端到端训练要21天，现在6天就能完成——这也让中小团队复现模型变成了可能。

现在Ovis2.5已经在阿里国际的跨境电商场景里规模化落地了，实际用起来效果怎么样？咱们看几个具体例子就知道：

• 物流分拣：直接识别面单照片，输出包含运费、追踪号、收发地址的JSON格式数据，测试时处理速度能到2000单/分钟，错误率还不到0.3%；
• 数学教育：输入函数图像，不仅能自动解题，还会生成完整推导步骤，从高中题型到大学微积分都能覆盖；
• 文化理解：识别西湖风景照后，能自动关联“接天莲叶无穷碧”这类古诗，文化语义的准确率达到91%；
• 退货审核：分析用户上传的商品损坏视频，一秒钟就能判定责任方，现在已经能替代30%的人工审核岗位。

目前阿里国际AI的日调用量已经超过10亿次，每两个月就翻一番；有50万跨境商家在用Ovis2.5优化商品标题、做虚拟试衣，或是搞多语言营销——实实在在帮商家降本增效。

Ovis2.5的2B版本还专门为端侧设备做了优化，主打轻量化部署。比如在英伟达Jetson Orin开发板上测试时，把模型量化到INT4之后，只需要4GB显存，响应延迟还不到1.5秒，完全能支持工业摄像头实时做OCR分析。

现在它的代码和模型已经在GitHub、HuggingFace上开源了，用的还是商用友好协议——开发者拿过去就能快速集成到物流机器人、智能显微镜这些终端设备里，不用再为“能不能商用”纠结。

🔍 立即体验
在线Demo：
https://huggingface.co/spaces/aidc-ai/ovis2.5-9b
https://huggingface.co/spaces/aidc-ai/ovis2.5-2b
技术报告：https://arxiv.org/abs/2508.11737

不过Ovis2.5的进化还没到终点。从技术报告里能看出来，4K高分辨率感知、长视频时序推理、工具调用架构这些功能已经在研发中了。现在很多厂商都在盯着千亿参数的大模型“较劲”，但阿里国际选了另一条路——他们想让小模型也能看懂真实世界里的复杂逻辑，而Ovis2.5，就是这条路上的重要一步。