OXR(文档解析模型)

作者 设施特

PDF 塞进 RAG 总是切得乱七八糟,因为普通 OCR 只吐文字不吐结构。OXR 是 SoMark 开源的 1.3B 文档解析模型,输出带坐标和阅读顺序的 Markdown/JSON,能认表格、公式、化学结构式等 13 类元素,三大权威榜单全部第一。

Github
项目 效率工具 v1.0.0 热度 263

项目说明

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 和文档图片,输出 Agent 友好的 Markdown/JSON。

它能识别文字、表格、公式、化学方程式/结构式、代码等 13 类元素,并给出版面坐标与阅读顺序。

基准得分说明
OmniDocBench97.18三大文档解析榜第一
olmOCR-Bench87.84表格场景优势明显
DocParsingBench87.76—
100 页解析耗时约 101 秒RTX PRO 6000 同条件,开源第一

OXR 怎么安装

最简方式(Docker):

  1. 克隆 GitHub 仓库
  2. 从 Hugging Face 或 ModelScope 下载 OXR-1.0 BF16 权重
  3. 构建 docker/Dockerfile.allinone 并挂载模型目录
  4. 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。

也可以直接用官方免费 API 和在线 Demo。

OXR 怎么使用

  1. 发起解析:调用 /v1/parse/sync 同步接口或异步接口,或用 SoMark CLI/SDK 改 base URL 后提交文件。
  2. 获取结果:选择 markdown 或 json 等输出格式,下载解析结果并检查坐标与阅读顺序。
  3. 生产接入:用本地服务或 SoMark 商业服务,按业务需要替换或微调版面分析模块。

OXR 的技术要点

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。

可插拔版面分析: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。

RSI 自我改进:后训练阶段引入面向文档解析的递归自我改进闭环,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,减少人工标注依赖。

OXR 适合谁用

  • 搭 RAG 知识库,需要高质量切片和可引用的文档结构
  • 金融研报解析,要处理多栏表格和图表说明
  • 教育考试数字化,解析 A3 试卷、竖排、手写内容
  • 科研出版流程,把公式转 LaTeX、化学结构式转 SMILES

OXR 项目地址

  • GitHub 仓库:https://github.com/SoMarkAI/OXR
  • HuggingFace 模型库:https://huggingface.co/SoMarkAI/OXR-1.0