跳到主要内容
返回时间线
openbiox Bizard来源发表:

SoMark开源OXR:1.3B参数文档解析模型登顶三榜,布局分析可插拔

核心概要

SoMark团队开源了文档解析模型OXR,把PDF和文档图像转成带版面坐标的Markdown或JSON,供AI智能体使用。模型从零预训练,在后训练阶段引入递归自我改进(RSI)循环,针对模型答错或处理薄弱的样本继续训练,无需人工标注。官方称其以1.3B参数在olmOCR-Bench、OmniDocBench和DocParsingBench三个基准上排名第一,并在RTX PRO 6000的速度测试中位列开源文档解析模型首位。

深度剖析

开源文档解析模型OXR把PDF和文档图像转成带版面坐标的Markdown或JSON,输出可直接供AI智能体使用。 此前的文档解析工具要么把版面分析交给识别模型,要么用专门模型同时处理版面分析和阅读顺序。 官方称OXR以1.3B参数在olmOCR-Bench、OmniDocBench和DocParsingBench三个基准上排名第一,并在表格解析上领先幅度较大。

OXR把版面分析拆成独立模块,内置版面模型可以替换,识别和阅读顺序仍由OXR处理。 版面分析在不同文档领域差异最大,通常是文档解析服务商最需要定制的部分。 系统由版面分析模型和OXR两个模型组成,阅读顺序并入识别阶段,由同一模型处理;官方称任何版面分析模型都能与OXR配合。

后训练阶段的递归自我改进循环针对模型答错或处理薄弱的样本继续训练,不需要人工标注。 官方称这一循环让迭代速度比以往更快,并称这是文档解析领域首次采用该做法。 OXR从零预训练,可识别13种文档元素类型,包括公式、表格、化学方程式、化学结构和代码块,并输出边界框坐标。

启示与展望

已展示的范围是PDF和文档图像的解析,输出Markdown或JSON并附带版面坐标,覆盖A3试卷、报纸、竖排文字和手写等版式;本地运行需要Linux、支持BF16的NVIDIA GPU和24GB显存起步。

三个基准的排名和速度结论目前来自官方说明,技术报告标注为即将发布;免费API不保证服务稳定性,请求排队,处理速度可能波动,官方不建议用于生产环境。