国产开源OCR模型OXR以1.3B参数登顶三项文档解析榜单
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，非原文转载三项榜单的具体成绩
OXR在三个文档解析评测集上均取得第一。OmniDocBench由上海人工智能实验室开源，覆盖10类复杂文档，OXR得分97.18；olmOCR-Bench由海外机构Ai2团队推出，包含7000多道单元测试级题目，OXR得分87.84；DocParsingBench覆盖5大行业、14个真实业务场景，OXR得分87.76。三项评测的流程与代码全部开源，结果可复现。对使用文档解析做RAG管线的团队来说，这意味着多了一个可自行验证的候选方案，而不必只依赖厂商公布的分数。
能解析什么与跑多快
OXR可一次处理13类文档元素，包括表格、公式、代码块、图片、化学方程式、脚注、页眉、页脚和印章等。输出方面，杂志类文档会保留完整语义结构与阅读顺序并转为结构化Markdown，数理公式直接转成标准LaTeX代码，双列排版不影响解析质量。速度上，单张RTX PRO 6000完成100页端到端文档解析耗时101秒。模型仅1.3B参数，在RTX 3060这类消费级显卡上即可运行，本地部署门槛明显低于百亿级模型。
RSI如何替代人工标注
文档解析的标注成本高，排版样式繁多，人工标注本身也容易出错，长尾坏样本难以穷尽，数据准备速度成为模型迭代的瓶颈。团队注意到文档解析的每份输入都有客观确定的标准答案，文字、表格跨行跨列、公式符号的对错都能被精确测量。基于这一点，OXR在后训练阶段引入递归自我改进训练范式，让系统自行找错、分析原因、准备下一轮数据并迭代，不依赖新增人工标注。这一做法把提升精度的重心从堆参数、堆标注转向后训练流程设计。
三阶段流程中的判断设计
RSI流程第一阶段是预测与分类：OXR解析大量无标签真实文档，再由通用多模态模型结合原图、解析结果与评判标准，把样本分为完全正确、明确错误和不确定三类。保留不确定这一档是有意为之，若只给对错两个选项，评判模型的犹豫会被强行包装成确定标签并污染下一轮训练。OXR还会对同一文档多次采样，结果差异大的样本即使碰巧正确也归入不确定集合；随后在语义不变前提下做轻微图像扰动，若分歧扩大则记录为模型对无害视觉变化过度敏感的病因，指导下一轮补强。第二阶段为归因与训练规划，对筛出的错误样本和弱样本做分析后再用于训练。
为什么值得看
小参数模型在文档解析上超过大模型路线，且训练不靠人工标注，开源可复现，直接关系RAG数据管线成本。
信源1 家
关键事实
相关 · 模型
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。