OXR SoMark 开源的文档解析模型
OXR是什么
OXR 是守扣科技 SoMark 开源的 1.3B 文档解析模型，面向 PDF/文档图片，输出 Agent 友好的 Markdown/JSON，可识别文字、表格、公式、化学方程式/结构式、代码等 13 类元素，给出版面坐标与阅读顺序。OXR后训练引入 RSI 自我改进闭环，在 OmniDocBench、olmOCR-Bench、DocParsingBench 三榜第一且解析速度领先。
OXR的主要功能
- 文档转结构化数据 ：把 PDF 和文档图片解析为 Markdown/JSON，便于 Agent 与下游系统直接消费。
- 多元素识别 ：覆盖文字、表格、公式、化学方程式、化学结构式、代码块等 13 类文档元素。
- 版面信息输出 ：为识别结果提供边界框坐标，并按阅读顺序组织内容。
- 复杂版式处理 ：支持多栏论文/报纸、A3 试卷、竖排文本、中英文手写等难例。
- 可定制版面分析 ：内置版面模型可替换，以适配不同业务对元素类别、区域边界和内容分组的定义。
- 多方式接入 ：提供免费 API、在线 Demo，以及 Docker/源码本地部署，兼容 SoMark CLI/SDK。
OXR的技术原理
模型与训练 ：OXR 为 1.3B 参数模型，从零预训练，后训练阶段引入面向文档解析的 RSI 闭环：由多个模型分析错样本与弱样本，自动生成训练策略与数据。
架构分工 ：系统由轻量 Layout Analysis 模型和 OXR 主模型组成；前者定位内容区域，后者在同一识别阶段完成内容识别与阅读顺序判断，减少独立排序开销，并用语义关系提升顺序判断。 可插拔设计 ：版面分析被拆成独立模块，可替换为第三方或自研版面模型，同时保留 OXR 的内容识别与阅读顺序能力，降低跨域适配成本。 效率优化 ：在任务级重构解析流程，使 1.3B 小模型在保持精度的同时获得更高吞吐；官方在 RTX PRO 6000 上对比同条件 100 页解析，OXR 约 101 秒，快于 PaddleOCR-VL-1.6 与 MinerU2.5-Pro。 工程接入 ：解析 API 与 SoMark 兼容，可复用 somark-py/somark-js/CLI；本地以 all-in-one Docker 最简，源码部署需分别启动 OXR 模型服务、Layout Analysis 服务和解析 API。
如何使用OXR
- 下载资源 ：克隆 GitHub 仓库，从 Hugging Face 或 ModelScope 下载 OXR-1.0 BF16 权重。
- Docker 启动 ：构建 docker/Dockerfile.allinone 并挂载模型目录，启动后访问 localhost:8000/demo 或 /docs 。
- 源码部署 ：依次启动 OXR 模型服务、Layout Analysis 服务，再启动文档解析 API 并配置 config.yaml 。
- 发起解析 ：调用 /v1/parse/sync 或异步接口，或用 SoMark CLI/SDK 改 base URL 后提交文件。
- 获取结果 ：选择 markdown/json 等输出格式，下载解析结果并检查坐标与阅读顺序。
- 生产接入 ：用本地服务或 SoMark 商业服务，按业务替换/微调版面分析模块。
OXR的核心优势
- 三榜精度领先 ：在 OmniDocBench、olmOCR-Bench、DocParsingBench 均排名第一，表格场景优势更明显。
- 速度快 ：1.3B 参数在同条件 100 页解析测试中约 101 秒，官方列为参测开源模型第一。
- 元素覆盖广 ：支持文字、表格、公式、化学方程式/结构式、代码块等 13 类文档元素。
- 输出 Agent 友好 ：结果带版面坐标与阅读顺序，可直接转 Markdown/JSON 进入工作流。
- 可持续进化 ：后训练采用 RSI 闭环，用错样本/弱样本自动生成策略与数据，减少人工标注依赖。
- 适配成本低 ：版面分析独立可插拔，可替换业务自定义版面模型，同时保留识别与排序能力。
OXR的项目地址
- GitHub仓库 ：https://github.com/SoMarkAI/OXR
- HuggingFace模型库 ：https://huggingface.co/SoMarkAI/OXR-1.0
OXR的同类竞品对比
对比维度 | OXR | TeleOCR
| 对比维度 | OXR | TeleOCR |
|---|---|---|
| 模型规模 | 1.3B | 约 1.2B |
| 技术路线 | 轻量版面模型 + 主模型两阶段；识别与阅读顺序同阶段完成 | 单一端到端模型，同时处理数字文档与拍摄文档 |
| 训练机制 | RSI 递归自我改进闭环，错样本/弱样本驱动迭代 | 大规模数据 + 弱监督/迭代训练（具体细节见 arXiv 报告） |
| 输入支持 | PDF、文档图片 | 数字 PDF + 手机拍摄文档（弯曲/透视/反光场景为强项） |
| 元素覆盖 | 13 类：文字、表格、公式、化学方程式/结构、代码块等 | 文字、版面、表格、公式、科学图表 |
| 特殊能力 | 化学结构式转 SMILES、方程式转 mhchem | 科学图表转表格、实拍文档畸变校正 |
| 版面分析 | 独立可插拔，可换第三方/自研模型 | 端到端内置，未见可替换设计 |
| 阅读顺序 | 与识别同阶段完成，结合语义判断 | 端到端统一处理 |
| 精度口径 | OmniDocBench 97.18、olmOCR 87.84、DocParsingBench 87.76 | OmniDocBench v1.6 96.87、Wild-OmniDocBench 88.53、PureDocBench 78.41 |
| 速度口径 | RTX PRO 6000 上 100 页约 101 秒，官方称开源第一 | 官方口径优于 MinerU2.5-Pro、PaddleOCR-VL-1.6、OvisOCR2，未见绝对耗时 |
| 典型适配 | 复杂版式定制、Agent 工作流、需替换版面模型的业务 | 扫描/实拍混合来源、科学文献、移动端拍摄文档 |
OXR的应用场景
- RAG 知识库入库 ：把 PDF/扫描件转成带结构坐标的 Markdown/JSON，提升切片、召回与引用质量。
- 金融/研报解析 ：处理多栏研报、复杂表格与图表说明，稳定输出表格结构与阅读顺序。
- 教育与考试数字化 ：解析 A3 试卷、竖排/手写内容，服务题库建设、阅卷与错题分析。
- 科研与出版流程 ：识别论文公式、化学方程式/结构式，转成 LaTeX、mhchem、SMILES 便于复用。
- 企业文档 Agent ：为合同、简历、档案、代码文档提供结构化输入，可替换版面分析模块适配行业版式。
相关工具
与本文相关的 AI 工具
