OXR正式开源 1.3B参数三项基准登顶 精度速度双优

文档解析领域迎来了一款轻量型开源模型，它是由国内专注于文档智能的初创团队推出的OXR。

这款模型的全称是全内容光学识别，区别于传统的光学字符识别，它的处理范围远不止文字，能够解析表格、公式、化学式等13类文档元素，还能准确还原多栏版面的阅读顺序，输出Markdown格式或JavaScript对象表示法，并保留版面坐标，让复杂文档能为智能体等下游流程所用。

高精度表现登顶三项权威测试

根据团队公布的评测结果，OXR在OmniDocBench、olmOCR-Bench和DocParsingBench三项基准测试中均取得第一名的成绩，对应得分分别为97.18、87.84和87.76分。

针对复杂文档的处理能力是衡量模型实用性的关键，OXR在这方面表现突出：对于跨行跨列的表格，它能保留原有结构，输出超文本标记语言格式，方便后续展示与处理；对于科研文档中的难点内容，数学公式会转换为拉泰赫排版系统，化学方程式用化学公式排版库表示，化学结构式则采用分子线性编码系统，让这些页面图形化内容转化为可继续处理的标准化表达；对于多栏论文、报纸和试卷等内容，它能在识别文字的同时判断阅读顺序，提供版面坐标，避免出现左右栏串读或正文与旁注混杂的问题，保证内容的准确性。

精度与效率双优，速度远超同类模型

处理单份文档的速度差异可能不明显，但在批量处理文档时，效率直接影响等待时间与算力占用。在相同硬件条件下，解析从OmniDocBench随机抽取的100页文档时，OXR平均用时约101秒，而同类模型PaddleOCR-VL-1.6和MinerU2.5-Pro分别需要约145秒和255秒，速度优势显著。

这种小参数、高精度、快速度的表现，得益于OXR的架构设计：它采用轻量版面分析模型定位内容区域，再由主模型完成内容识别与阅读顺序判断，将阅读顺序排序环节融入内容识别阶段，减少了单独处理的额外开销，还能结合内容语义判断先后关系，兼顾了解析质量与效率。

递归自我改进范式，持续优化模型性能

文档解析很难靠固定样本覆盖所有场景，为提升模型对未见过的复杂文档的适应性，OXR在后训练阶段引入了面向文档解析的递归自我改进范式，将解析过程中的错样本和弱样本作为下一轮训练的依据。这套流程由多个AI模型协作完成：先解析无标签文档产生待评估结果，外部模型评判结果并逐样本分析错误原因，独立聚类模型将问题按原因归类，再由外部模型围绕这些问题定向生成训练数据，用于下一轮OXR训练，无需人工标注，加快了模型迭代的步伐。

可插拔版面分析模块，适配更多业务需求

不同业务对文档结构的定义可能不同，比如同一组图片，资料归档希望整体保留，图片检索则需要逐张提取；一个包含标题、文字和边框的区域，有的业务按文本拆分，有的业务希望整体作为表格处理。针对这种情况，OXR将版面分析设计为独立的可插拔模块，开发者可以直接使用内置的版面分析模型，也可以接入符合自身业务标准的其他版面分析模型，调整元素类别、区域边界与内容分组，再复用OXR的内容识别和阅读顺序判断能力，适配更灵活。

对于构建检索增强生成、智能体和文档工作流的开发者，OXR是一款兼顾解析精度、处理速度与版面适配能力的开源选择。

目前，OXR已开放代码与模型权重，并提供在线演示和免费应用程序编程接口，方便开发者直接用真实文档检验效果：

• 代码仓库：https://github.com/SoMarkAI/OXR
• 模型权重：https://huggingface.co/SoMarkAI/OXR-1.0
• 在线演示：https://free-oxr.somark.cn/
• 免费API：https://free-oxr.somark.cn/api/v1

有更多生产级文档解析需求的团队，也可以了解同一团队打造的独立文档解析引擎SoMark。

团队希望通过开放长期探索积累的技术，让文档中的知识成为AI可用的高质量数据，融入更多真实业务场景。