看图能解高中函数题，能分析物流单和发票这样的复杂图表，还能根据风景照片推测出拍摄地点，多模态理解、推理能力再次迎来突破。近日，阿里国际AI团队发布多模态大模型Ovis2.5，在通用多模态基准、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。

在主流多模态评测套件 OpenCompass 上，Ovis2.5-9B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位居前茅；Ovis2.5-2B综合得分73.9，延续了Ovis系列小尺寸、高性能的理念，在同尺寸模型中性能显著领先。

Ovis2.5-9B在多个benchmark上取得了同尺寸开源最佳性能，Ovis2.5-2B在很小的模型尺寸下也展现了优异的性能

相比Ovis2等早期版本, 升级版的Ovis2.5在处理复杂图表、数学题推理、知识储备等方面都有亮眼表现。例如，Ovis2.5可以看图求解函数题、看风景照片分析地点并找到应景的古诗。

具体来说，Ovis2.5有三方面的能力进化：

1. 看图更完整，不需要“先切分再合并”

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。为解决这一问题，Ovis2.5 集成了原生分辨率视觉编码器（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”，能自我检查与修正

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，从而在数学题求解、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

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。

在模型尺寸较小的情况下，Ovis2.5实现了性能与效率的双重突破，在端侧和资源受限的场景下能发挥出“小身板、大能量” 的效果。据悉，Ovis累计下载量超280万，在多模态领域最近一个月下载量仅次于QwenVL模型。

在AI领域，具有推理能力的多模态大模型应用场景特别广泛。例如，在快递分拣场景，能够识别快递面单照片上的订单号、收件地址等各种信息，并遵循指令以JSON格式输出，提升物流效率；在自动驾驶场景，能够处理不同模态的信息，精准感知环境、作出决策。随着人工智能的发展，大模型的多模态理解能力、推理能力升级也逐渐成为行业趋势。

据此前报道，阿里国际AI Business团队成立于2023年，基于全球化电商场景探索AI技术。目前，阿里国际的所有电商平台均已应用AI，已服务了超50万卖家，形成了以服务中小企业出海为核心，覆盖全球多元市场、多种电商模式的规模级AI应用。当下，阿里国际AI服务的调用量每两个月就会翻一番，截至2025年7月，平均日调用量已突破10亿次。

附相关链接：

技术报告：https://arxiv.org/abs/2508.11737

代码: https://github.com/AIDC-AI/Ovis

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

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

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

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