SoMark 团队开源 OXR 文档解析模型，1.3B 参数登顶三项基准
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载轻量架构与可插拔设计
OXR 的主模型参数量为 1.3B，整体采用轻量版面分析模型与主模型协同的架构。版面分析模块负责在文档中定位各个区域，主模型则对区域内的内容进行识别，并判断多栏文档的阅读顺序。这种分工让版面分析成为独立且可插拔的组件，使用者能够将其替换为符合自身业务标准的模型，而不必改动主模型。在输出方面，OXR 支持 Markdown 与 JSON 两种格式，并保留版面坐标信息，便于后续环节定位内容。针对不同元素，输出形式也有区分：表格以 HTML 呈现，公式以 LaTeX 表示，化学方程式采用 mhchem，化学结构式则用 SMILES。整套流程覆盖表格、公式、化学式等 13 类文档元素，使解析结果在结构化和可读性之间取得平衡。
三项基准的得分与速度
在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 三项基准上，OXR 均排名第一，得分分别为 97.18、87.84 和 87.76。速度方面，在 RTX PRO 6000 Blackwell 96GB 上解析 100 页文档，OXR 耗时约 101 秒；相同条件下，PaddleOCR-VL-1.6 约需 145 秒，MinerU2.5-Pro 约需 255 秒。完整解析速度超过这两款同场参测方案。这些数字来自统一硬件环境下的对比，反映了 OXR 在保持解析质量的同时，处理长文档的效率优势。对于需要批量处理文档的读者，这意味着单位时间内可完成更多页面的解析，减少等待时间。
递归自我改进的训练方式
后训练阶段，OXR 引入了递归自我改进（RSI）机制。该流程利用错误样本和弱样本指导下一轮训练：外部模型先对解析结果进行评判，找出错误；再通过聚类归因，定位问题类型；随后定向生成训练数据。新增的训练数据无需人工标注，降低了数据准备的成本。这一机制让模型在迭代中针对薄弱环节进行改进，而不是依赖大规模人工标注数据。对于使用者而言，这意味着模型能力的提升不依赖于持续的人工投入，后续版本有潜力在相同架构下进一步优化。
为什么值得看
轻量开源模型同时做到三榜第一和更快解析速度，还支持可插拔版面分析，做 RAG、Agent 文档流水线的团队可直接试用。
信源1 家
关键事实
OXR 主模型为 1.3B 参数，在 OmniDocBench、olmOCR-Bench、DocParsingBench 上分别得 97.18、87.84、87.76 分，均列第一[1]
OXR 支持文字、表格、公式、化学结构式、代码块等 13 类文档元素，输出 Markdown/JSON 并保留版面坐标[1]
在同一张 RTX PRO 6000 Blackwell（96GB）上解析 100 页文档，OXR 约 101 秒，PaddleOCR-VL-1.6 约 145 秒，MinerU2.5-Pro 约 255 秒[1]
OXR 在后训练阶段引入面向文档解析的递归自我改进（RSI），用错样本和弱样本驱动下一轮训练数据生成，无需人工标注[1]
OXR 的版面分析为独立可插拔模块，可替换为符合业务标准的其他版面分析模型[1]
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。