产品简介
OXR-1.0 是上海团队 SoMark 开源并放出权重的文档解析模型，全名 Optical Everything Recognition，参数 1.3B。它把 PDF 与文档图像转成 Markdown 或 JSON，输出里带版面坐标与阅读顺序，目标是把文档变成智能体能直接吃的结构化数据。
准确率是这次的重点。官方公布的三项基准都排第一：olmOCR-Bench 87.84、OmniDocBench 97.18、DocParsingBench 87.76，其中表格解析的领先幅度最大。速度上，在单张 RTX PRO 6000 上跑 OmniDocBench 随机抽样的 100 页，OXR 用时约 101 秒，比第二快的方案快出一截。
设计上有两处值得单独说。一是版面分析做成了独立可插拔模块，业务对文档结构的定义不一致时，可以换掉内置版面模型，继续复用 OXR 的识别与阅读顺序能力。二是后训练用了递归自我改进闭环：让外部模型给自己的输出打分、聚类出错原因、定向生成训练数据，整轮不需要人工标注。
核心功能
- 13 类文档元素：正文、标题、表格、公式、图表、印章、页眉页脚、脚注、代码块、化学式与化学结构都能识别。表格出 HTML 或 Markdown 并保留合并单元格，公式出 LaTeX，化学式走 mhchem，化学结构出 SMILES。
- 三榜第一的准确率：olmOCR-Bench 87.84、OmniDocBench 97.18、DocParsingBench 87.76，均为官方口径的第一。A3 试卷、报纸、竖排文本与手写这类难版式也在评测范围内。
- 版面分析可替换：版面模型独立于主模型。业务需要按整组保留图片、或把带边框区域当表格处理时，换自己的版面模型即可，识别与阅读顺序仍然走 OXR。
- 阅读顺序并入识别：把阅读顺序判断放进识别阶段，由同一个模型一次完成，省掉单独排序的一步。多栏论文、报纸与试卷的顺序因此按内容语义决定。
- 递归自我改进后训练：闭环里外部模型审查无标注文档的解析结果，标出反复不一致的样本，用聚类模型归因，再定向生成训练数据，数据过规则校验后进入下一轮，全程不人工标注。
- 部署门槛不高：24GB 显存可做低并发测试，长文档或高并发建议 48GB 以上。权重附带 vLLM 的 out-of-tree 插件，直接配官方镜像即可起服务，另有一体化 Docker 镜像。
适合谁用
以下类型的用户会特别受益于 OXR-1.0：
- 给 RAG 与智能体做文档入口，把 PDF 批量转成带坐标的 Markdown 或 JSON。
- 财报、合同、票据这类多栏与表格密集的文档，用表格解析与阅读顺序能力保结构。
- 批处理上千页资料，用 1.3B 的小体积在单卡上跑满吞吐。
- 业务对版面定义特殊时，替换版面模型而不动识别链路。
- 试卷、报纸、竖排与手写档案的数字化，官方给了对应示例。
- 先在免费 API 上验证效果，再决定是否自建。
优点亮点
- 1.3B 参数在三个文档解析基准上都排第一，表格解析领先最明显。
- 100 页端到端解析约 101 秒，速度在开源方案里领先。
- 版面分析可插拔，业务自定义结构时改动面小。
- 输出带版面坐标与阅读顺序，直接可用于检索与版面还原。
- 24GB 显存可起步，vLLM 插件与 Docker 镜像都备好。
- 提供免注册的免费 API，验证成本为零。
价格与方案
代码与权重开放，许可为基于 Apache 2.0 的自定义协议：融资总额与年营收都低于 200 万美元的组织可免费商用，任一项达到或超过这个门槛需向 SoMark 申请商业授权，且不允许用该模型对外提供竞争性的托管解析服务。自建只承担硬件成本，24GB 显存可做低并发测试。官方另提供免注册的免费 API 用于验证，明确说明不适合生产。生产级能力可走同一团队的 SoMark 引擎。
总结与建议
OXR 把文档解析的竞争点拉回到工程细节：表格跨页怎么办、阅读顺序按什么判、业务结构定义不一致时改哪一层。三榜第一是结果，可插拔版面与并入识别的阅读顺序是原因。1.3B 的体积配上 24GB 显存的起步门槛，中小团队自建的成本可控。许可里那条营收门槛需要留意，年营收或融资过 200 万美元就要谈授权。
版本演进
- OXR-1.0 开源：1.3B 文档解析模型三榜第一 （2026-10-27）：SoMark 开源 OXR-1.0 并放出权重，1.3B 参数，输出版面坐标与阅读顺序的 Markdown 或 JSON。olmOCR-Bench 87.84、OmniDocBench 97.18、DocParsingBench 87.76 三榜第一；单张 RTX PRO 6000 上 100 页解析约 101 秒。支持 13 类元素，表格出 HTML/Markdown，公式出 LaTeX，化学结构出 SMILES。版面分析独立可插拔，后训练用递归自我改进闭环。24GB 显存可起步，提供 vLLM 插件与免注册免费 API。