阿里国际发布 Ovis2.6-30B-A3B：MoE 架构多模态大模型，低成本实现高性能视觉理解

阿里国际正式推出 Ovis2.6-30B-A3B 多模态大语言模型，作为 Ovis 系列的最新迭代版本，它在 Ovis2.5 基础上全面升级主干架构与多模态能力，以更低推理成本实现更强的长上下文、高分辨率图像、复杂文档与视觉推理表现，为企业级多模态理解场景提供更高效、更经济的解决方案。

• 模型：https://huggingface.co/AIDC-AI/Ovis2.6-30B-A3B

模型核心定位与架构升级

Ovis2.6-30B-A3B 最显著的变化，是将大语言模型主干升级为混合专家（MoE）架构，在保持高效推理的同时，大幅提升模型容量与知识表达能力。

• 模型总参数达到 300 亿，可承载更丰富的世界知识、语言细节与多模态语义信息。
• 推理阶段仅激活约 30 亿参数，在保持高质量输出的前提下，显著降低算力消耗、提升吞吐效率，让大规模部署与高频调用更具成本优势。

这一架构升级，让 Ovis2.6 实现了“大模型容量 + 小模型推理成本”的兼顾，更适合电商、跨境、企业服务、文档自动化等实际业务场景落地。

四大核心能力全面增强

1. MoE 架构：高性能与低成本的平衡

依托 MoE 混合专家架构，Ovis2.6 实现了参数规模与推理效率的双重突破：

• 总参数量 30B，知识覆盖更广、语义理解更细、生成更稳定。
• 激活参数量仅约 3B，推理速度更快、显存占用更低、部署成本更亲民。
• 在多轮对话、复杂图文理解、长文档处理等场景下，性能提升明显。

2. 长上下文 + 高分辨率，处理更复杂视觉输入

Ovis2.6 大幅扩展了模型对长文本与高清图像的处理上限，进一步强化信息密集型场景能力：

• 文本上下文长度扩展至 64K tokens，可直接处理超长报告、多页合同、长篇说明书等内容。
• 支持最高 2880×2880 超高分辨率图像输入，能够捕捉图像中更精细的结构、文字、细节与关系。
• 特别适用于多页文档问答、跨页信息整合、复杂图表分析、高清商品图理解等任务。

3. 图像思考：从“被动看图”到“主动分析”

本次更新中，Ovis2.6 新增标志性能力——“图像思考”（Image Thinking），将传统被动式视觉输入升级为主动式认知推理：

• 模型可在推理过程中主动调用视觉工具，如裁剪、放大、旋转、局部重审视等操作。
• 在思维链中对图像关键区域进行多轮、反复、聚焦式分析，实现更接近人类的视觉理解逻辑。
• 在复杂场景图、推理类图文题、工业图纸、医学影像、复杂界面等任务上，准确率显著提升。

4. OCR、文档、图表能力深度强化

延续 Ovis 系列在信息密集型视觉任务上的优势，Ovis2.6 进一步强化结构化信息理解能力：

• 高精度 OCR 识别，支持复杂版式、手写、印章、水印、倾斜、模糊等常见场景。
• 深度 文档理解，可提取标题、段落、表格、目录、注释并进行逻辑整合。
• 专业 图表与示意图分析，能读懂折线图、柱状图、流程图、架构图并做归纳、对比、推理与总结。
• 不只“提取文字”，更能对内容进行理解、计算、对比、推断、总结，真正实现文档智能化。

场景价值总结

Ovis2.6-30B-A3B 面向真实产业场景，重点强化以下能力：

• 低成本规模化部署：MoE 架构降低推理门槛，适合高频、高并发、长时运行的企业场景。
• 超长上下文 + 高清图像：适配长文档、多页报表、高清商品图、工业图纸等。
• 主动式图像思考：提升复杂视觉推理任务的准确性与可靠性。
• 强文档与图表能力：满足跨境电商、企业办公、金融报表、教育、法律、政务等领域的结构化理解需求。

作为阿里国际 Ovis 多模态模型家族的最新成员，Ovis2.6 以更高效、更经济、更强大的多模态理解能力，为视觉语言协同任务提供新一代底座支持。