OXR：1.3B开源文档解析模型登顶三大基准

文档解析一直是RAG和数据处理流程中的脏活累活。扫描件里的表格、公式、化学结构式，往往需要多个模型拼接才能勉强处理。最近开源社区出现了一个新选择：OXR，一个仅有1.3B参数的开源权重模型，官方宣称在三个主流文档解析基准上同时拿到第一。

模型能力：13类元素，覆盖复杂版面

OXR由SoMarkAI团队开发，目标是把PDF和文档图片直接转成Markdown或带版面坐标的JSON。它支持识别13种元素类型并输出边界框，包括表格、公式、化学方程式、化学结构式和代码块。

真正拉开差距的是对复杂版面的处理。官方列举的场景包括A3试卷、报纸、竖排文字和手写体——这些恰恰是传统OCR流水线最容易崩掉的地方。多数开源解析器在标准文档上表现尚可，一遇到多栏报纸或手写批注就原形毕露。OXR把这部分作为卖点，说明团队在训练数据覆盖面上下了功夫。

RAG（检索增强生成） 指在生成式模型回答前，先从外部知识库检索相关文档片段作为上下文，从而降低幻觉、提升答案时效性与可溯源性。其数据入口通常是PDF、扫描件、网页等非结构化文档，因此文档解析质量直接决定检索片段是否干净可用。表格被切碎、公式转成乱码、多栏版面顺序错乱，都会污染向量库并导致召回失准。OXR这类专用解析模型的价值，正在于把脏文档转成结构清晰的Markdown或带坐标的JSON，为后续切块、嵌入与检索提供可靠输入。

基准成绩：三个榜单同时第一

官方给出的数据（快照日期2026年10月5日，竞品分数取自已发表论文、模型卡和官方榜单，未重新跑测）：

• olmOCR-Bench：OXR-1.0 87.84，第二名 Infinity-Parser2-Pro 87.60
• OmniDocBench v1.6：OXR-1.0 97.18，第二名 TeleOCR 96.91
• DocParsingBench：OXR-1.0 87.76，第二名 PaddleOCR-VL-1.6 85.17

三个榜单独占鳌头，但领先幅度值得细看。olmOCR-Bench上与第二名的差距只有0.24分，OmniDocBench上差距0.27分，属于咬得很紧的水平；DocParsingBench上领先约2.6分，相对明显。需要提醒的是，这些竞品分数是团队从公开渠道摘取的，测试条件未必完全一致，横向对比时应保留一定余地。

olmOCR-Bench 是由AI2（艾伦人工智能研究所）推出的文档OCR评测基准，基于真实PDF构建，覆盖表格、公式、手写、多栏等多样版面，评分同时考察文本准确性与阅读顺序，是当前开源文档解析模型常用的横向对比集。OmniDocBench 则是面向全场景文档解析的综合基准，涵盖多种文档类型与元素类别，并迭代出v1.6等版本。由于各榜单的页面来源、评分脚本与元素权重不同，同一模型在不同榜单上的相对排名可能变化，跨榜单直接比较分数意义有限，应关注同一榜单内的名次。

速度：100页101秒

除了精度，官方还强调了速度优势：在开源文档解析模型中排名第一。

测试方法是把三个榜单上的全部21个模型放在同一组100页OmniDocBench页面上，各自在单张RTX PRO 6000上运行。OXR端到端（含版面分析、识别、阅读顺序）处理100页耗时101秒，约合每秒1页；次快的OvisOCR2用了135秒。

这个测试设计比较克制——固定页面集、固定硬件、全流程计时，比只报单模型推理耗时要可信。完整表格和测试细节放在仓库的docs/benchmark.md里。

架构思路：可插拔的版面分析

OXR的工程设计有两个值得关注的点。

一是RSI后训练循环。 团队用递归自我改进（recursive self-improvement）的方式，把解析错误和不确定结果自动转化为针对性训练数据，不需要人工标注。这意味着模型迭代速度可以摆脱标注瓶颈，是他们声称"改进更快"的依据。

二是版面分析与识别解耦。 识别和阅读顺序在同一个模型内并行执行，保证速度；版面分析则是独立模型，可以按需替换。官方给出的理由是：不同行业的文档在语言和版面上差异极大，没有哪个团队能覆盖所有情况，把版面分析做成可替换模块，用户遇到新的元素类别或区域边界时可以自行调整。

这个设计对实际落地有现实意义——企业内部文档格式往往非常垂直，能换掉版面分析模块比换掉整个模型成本低得多。

版面分析（layout analysis） 是文档解析流水线的第一环，负责检测页面上的文本块、表格、图片、标题、页眉页脚等区域，并给出边界框与类别，其输出决定了后续识别模块的处理范围与阅读顺序的构建方式。传统方案常用目标检测模型（如YOLO系列）单独完成版面分析，再交由OCR引擎逐区域识别。OXR将版面分析独立成可替换模块，意味着用户可以在不改动识别模型的前提下，针对特定行业文档（如票据、试卷、竖排古籍）替换或微调版面检测器，这比重新训练整个多模态模型成本低得多，也便于排查错误究竟出在检测还是识别环节。

RSI（recursive self-improvement，递归自我改进） 在此语境下指一种自动化训练数据构造流程：模型先对大量文档做解析，系统再依据置信度、一致性校验或与参考答案的差异，筛出错误与不确定样本，将其转化为带监督信号的训练数据回流到下一轮训练。这样模型迭代不再完全依赖人工标注，能以较低成本持续扩充难点样本。该思路的局限在于，若错误检测机制本身有偏差，错误可能被固化；同时训练数据分布会逐渐向模型当前薄弱面倾斜，需要配合人工抽检与独立测试集防止过拟合。

上手方式与许可

• 本地运行：需要Linux和带BF16支持的NVIDIA GPU。24GB显存够低并发测试，长文档或高并发建议48GB以上。Docker all-in-one镜像是最省事的起步方式。
• 免费API：无需注册、无需API key，但仅供测试，请求会排队，团队表示会一直在线直到承担不起成本。
• 在线Demo：浏览器内免费试用。
• 仓库与权重：GitHub为SoMarkAI/OXR，权重在Hugging Face的SoMarkAI/OXR-1.0，ModelScope同步发布。
• 许可：Apache 2.0附加条款，包含商业使用的门槛限制，完整条款在仓库LICENSE中。

一些判断

1.3B参数量在文档解析领域属于相当轻量的档位。对比动辄数十B的通用多模态模型，OXR的思路是用专用架构和高质量训练数据换取效率——这对需要私有化部署的团队很有吸引力。

需要留意的是基准成绩的可复现性。三个榜单的领先幅度都不大，尤其是前两个，换一套测试集排名未必稳固。团队自己在帖子里也坦言希望用户反馈"解析在哪里失败"，说明他们清楚模型在真实文档上的边界还没摸完。

对于正在搭建文档处理流水线的开发者，OXR值得放进备选清单实测一轮，尤其是手写、竖排、化学公式这类此前需要专门方案的场景。