社区供稿 | 阿里国际Ovis2.5重磅发布：以小博大，刷新开源模型性能新高度

阿里国际正式发布新一代多模态大模型Ovis2.5。Ovis2.5 是一款面向原生分辨率视觉感知、深度推理与高性价比场景设计的多模态大模型。在主流多模态评测套件 OpenCompass 上的综合得分相较 Ovis2 进一步提升，并在同类开源模型中继续保持 SOTA 水平。此外，凭借原生分辨率视觉感知与反思式思维能力的协同升级，在小模型尺寸下实现了性能与效率的双重突破。无论是在通用多模态基准，还是在复杂图表理解与 OCR 等实际应用场景，Ovis2.5 均展现出领先的理解与推理能力。

本次开源包含两个版本：

• Ovis2.5-9B：OpenCompass综合得分 78.3，超越众多更大参数量的模型，在40B以下参数规模的开源模型中排名第一。
• Ovis2.5-2B：OpenCompass综合得分73.9，延续了Ovis系列“小身板，大能量”的理念，在同尺寸模型中性能显著领先，是端侧和资源受限场景的理想选择。

Ovis2.5-9B在多个benchmark上取得了同尺寸开源最佳性能，Ovis2.5-2B也表现优异

代码：https://github.com/AIDC-AI/Ovis

模型： 

https://huggingface.co/AIDC-AI/Ovis2.5-2B 

https://huggingface.co/AIDC-AI/Ovis2.5-9B

Demo： 

https://huggingface.co/spaces/AIDC-AI/Ovis2.5-2B https://huggingface.co/spaces/AIDC-AI/Ovis2.5-9B

技术报告: https://arxiv.org/abs/2508.11737

Ovis2.5 的三大核心进化

Ovis2.5 的性能提升，来自于原生分辨率视觉感知、深度推理机制与复杂图表理解三方面的系统性突破。

1. 原生分辨率视觉感知

在 Ovis2 及早期版本中，高分辨率图片需要通过“切图-拼接”处理，这往往导致整体结构与细节信息的损失，尤其在图表、文档和精细场景中表现尤为明显。 

为解决这一问题，Ovis2.5 集成了动态分辨率视觉编码器（NaViT），能够直接处理任意原生分辨率的图像，让模型真正做到“完整看图”。无论是宏观布局还是微小文字细节，都能精准捕捉，为复杂场景下的深度推理奠定坚实基础。

2. 深度推理「思考模式」

为提升深度推理能力，Ovis2.5 融入了包含自我检查与修正环节的长链思考训练，使模型能够在解决问题时进行自我反思。 

在推理时，用户可以选择开启「思考模式」：模型会生成中间步骤，主动检视并修正推理过程，从而在数学、复杂图表等高难度任务中获得更高的准确率。这一机制提供了延迟与精度的灵活权衡，用户可根据需求自由切换。

3. 攻克复杂图表难题：三位一体优化

复杂图表理解一直是多模态领域的“硬骨头”，大量噪声和密集的视觉信息给模型带来了巨大挑战。Ovis2.5针对这一痛点，从三个层面进行了系统性增强： 

数据端：新增了海量高质量的图表、OCR、Grounding数据。 

视觉端：利用原生分辨率编码器，准确全面地理解图表中的元素。 

推理端：结合深度思考能力，对图表中的数据和逻辑关系进行精准分析。 

Ovis2.5 在复杂图表理解这一长期难题上取得了突破，达到开源领先水平。

背后的技术原理：架构、训练与数据

Ovis2.5整体框架

Ovis2.5 的卓越表现并非偶然，而是来自架构、训练与数据三方面的系统性创新。

模型架构：延续 Ovis 系列创新的结构化嵌入对齐设计。Ovis2.5 由三大组件构成：动态分辨率 ViT 高效提取视觉特征，Ovis 视觉词表模块实现视觉与文本嵌入的结构对齐，最后由强大的 Qwen3 作为语言基座，处理多模态嵌入并生成文本输出。

训练策略：采用更精细的五阶段训练范式，从基础的视觉预训练、多模态预训练、大规模指令微调，到利用DPO和GRPO等算法进行偏好对齐和推理能力强化，循序渐进构建模型能力。同时，通过多模态数据打包和混合并行等优化，实现了3-4倍的端到端训练加速。

数据工程：Ovis2.5的数据规模相比Ovis2增加了50%，重点聚焦视觉推理、图表、OCR、Grounding等关键方向。尤其是合成了大量与Qwen3深度适配的“思考（thinking）”数据，有效激发了模型的反思与推理潜能。

性能和效果展示

Ovis2.5-9B和Ovis2.5-2B在主流多模态评测套件 OpenCompass 上均取得了同等尺寸模型的最优性能：

同时，Ovis2.5-9B在多个数学和科学推理、OCR和图表分析等基准测试上也展现出优异表现：

Case展示

Case 1：Capability 知识

Image

Prompt

这是哪里？哪首诗与其相关？

Response

...这张照片展现的是 杭州西湖 的经典景致，画面中大片盛开的荷花、荷叶，以及背景中的石桥与远山，是西湖标志性的自然与人文景观。

与其相关的诗歌 

西湖自古就是文人墨客吟咏的对象，其中最贴合“荷塘盛景”的经典诗句，来自南宋诗人杨万里的《晓出净慈寺送林子方》：
接天莲叶无穷碧，映日荷花别样红
这首诗以“接天莲叶”“映日荷花”精准描绘了西湖夏日荷塘的繁茂与绚烂，与照片中“满池荷叶、点缀荷花”的景象高度契合。
此外，北宋文学家苏轼的《饮湖上初晴后雨》也常被用来赞美西湖之美：
欲把西湖比西子，淡妆浓抹总相宜
虽未直接聚焦“荷塘”，但整体意象（西湖如美人、景致秀丽）也与西湖的诗意气质相通。

这些诗歌让西湖的自然风物与文化意蕴交织，成为中华诗词中最具代表性的意象之一。

Case 2：Capability OCR

Prompt

提取货款费用、快递内容、追踪号、详细发货人地址、详细收货人地址，并以JSON格式返回

Response

<think>...</think>
{
  "货款费用": "110元",
  "快递内容": "重要文件83",
  "追踪号": "1390670676823",
  "发货人地址": "北京市朝阳区光华路50号",
  "收货人地址": "浙江省杭州市余杭区阿里巴巴西溪园区C1小邮局"
}

Case 3：Capability 图表

Prompt

在“教育和健康服务”类别中，教育部分所占的百分比是多少？

Response

Case 4：Capability 推理

Prompt

求解此题。

Response

Case 5：Capability 定位

(备注：图中红框用于可视化模型输出，并非原始输入图像的一部分）

Prompt

定位飞机，输出坐标。

Response

(0.612,0.083),(0.629,0.107)