SoMark团队在V2EX宣布开源文档智能解析模型OXR（Optical Everything Recognition）。该模型可将PDF和文档图片转换为Markdown或JSON格式，支持表格、公式、化学式、代码块等13类元素，解析结果中包含版面坐标信息。OXR主模型参数量仅1.3B，在OmniDocBench（97.18分）、olmOCR-Bench（87.84分）、DocParsingBench（87.76分）三项全球文档解析基准测试中总分均排名第一。速度方面，团队实测单张RTX PRO 6000 Blackwell（96GB）解析100页OmniDocBench随机抽取的文档平均用时约101秒，在参测的21个开源模型中最快，超过Paddle、MinerU等知名方案。技术层面，OXR采用RSI训练范式，结合架构设计实现精度与速度双SOTA；版面分析模块独立可插拔，开发者可使用内置模型，也可按业务需求替换。项目已托管至GitHub，同时提供在线Demo供上传文档即时查看解析效果，并开放免费API，无需注册与申请Key，通过pip安装somark CLI即可将PDF转换为Markdown和JSON，降低了开发者试用门槛。
事件分析
文档解析是大模型数据管线与RAG应用的关键基础设施环节，此前主要由MinerU、PaddleOCR等工具主导。OXR以1.3B的小参数量登顶三项基准，若成绩经得起复现，将印证垂直小模型配合针对性训练范式可在特定任务上超越更大参数的通用方案，这对推理成本控制和端侧部署具有实际价值。版面分析模块可插拔的设计显示团队意在以核心模型为基座构建生态，吸引开发者按需定制。需要注意的是，基准成绩目前由开发方自行公布，第三方独立验证结果尚待观察，RSI训练范式的技术细节公开程度也将影响社区复现意愿。免注册免费API的策略意在快速积累用户与真实反馈，后续商业化路径与开源协议细节值得关注，文档解析赛道的竞争预计将进一步加剧。
核心观点：1.3B小模型登顶三榜印证垂直场景小而精路线可行，但自报成绩仍需社区复现检验
原文链接：V2EX 分享发现
评论前必须登录！
立即登录 注册