SoMark 开源 OXR 1.3B 文档解析模型，三项基准第一且完整解析快于 PaddleOCR-VL-1.6、MinerU2.5-Pro

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-10-27 15:41:02 来源：量子位

开源一周，Github 拿下超 1000 star，X上关注度破百万，并登上 Today‘s news 推荐

文档解析赛道，又迎来一位强劲的新选手。

OXR 正式开源：主模型仅 1.3B 参数，在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 三项基准测试中全部登顶，完整解析速度也超过了同场参测的 PaddleOCR-VL-1.6 和 MinerU2.5-Pro，把轻量模型的精度与效率同时推到了榜首。其背后的 SoMark 团队来自国内一家初创公司，深耕于文档智能领域，此前持续围绕核心产品 SoMark 打磨解析能力，如今推出了开源模型 OXR。

OXR 的全称是 Optical Everything Recognition，从 OCR 到 OXR，OXR 要处理的远不止文字。它能够解析表格、公式、化学式等 13 类文档元素，准确还原多栏版面的阅读顺序，输出 Markdown / JSON，并保留版面坐标，让复杂文档成为 Agent 可以继续使用的数据。

1 高精度解析，全球三榜第一

根据团队公布的评测结果，OXR 在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上分别取得 97.18、87.84 和 87.76 分，均位列第一。

分数之外，更直观的是看 OXR 如何处理复杂文档。

一张跨行跨列的表格，文字识别正确只是第一步。行列关系或合并单元格一旦错位，数字就可能对应到错误的项目。OXR 可以保留这些结构，并将表格输出为 HTML，供后续展示和处理。

科研文档里的难点则更密集：数学公式有上下标和嵌套结构，化学内容还有反应式与分子结构图。OXR 将公式输出为 LaTeX，化学方程式用 mhchem 表示，化学结构式用 SMILES 表示，让这些内容从页面上的图形变成可继续处理的表达。

多栏论文、报纸和试卷还考验阅读顺序。即便每个区域都识别正确，左右栏串读、正文与旁注混杂，仍会破坏原文含义。OXR 在识别内容的同时判断阅读顺序，并提供版面坐标，保留内容在页面中的位置。

这些能力共同构成了 OXR 的“Everything”：覆盖文字、表格、公式、化学结构式、代码块等 13 类文档元素，将 PDF 和文档图片解析为 Markdown / JSON，供 Agent、RAG 等下游流程使用。

2 精度与速度双 SOTA：不只准，而且快

处理单份文档，几秒的差异未必明显；当任务变成批量论文入库、档案整理或研报解析，处理效率就会直接影响等待时间与算力占用。

根据团队公布的同条件完整解析测试结果，在同一张 RTX PRO 6000 Blackwell（96GB）显卡上，解析从 OmniDocBench 随机抽取的 100 页文档，OXR 平均用时约 101 秒，PaddleOCR-VL-1.6 和 MinerU2.5-Pro 则分别需要约 145 秒和 255 秒。

小参数、高精度、快速度，这次出现在了同一个模型上。

这得益于OXR 在任务分工上做的一个巧妙设计：由轻量版面分析模型定位内容区域，再由主模型完成内容识别与阅读顺序判断。

把排序并入内容识别阶段，减少了单独处理阅读顺序的额外开销，也让模型能够结合内容语义判断先后关系。这是 OXR 兼顾解析质量与效率的一项架构设计。

3 RSI：围绕错样本和弱样本持续改进

耀眼的成绩背后，OXR 的训练思路同样值得看。我们都知道，文档解析很难靠一套固定样本覆盖所有问题。场景、语言、版式不断变化，如何让模型面对没见过的复杂文档，也能稳定输出可靠的解析结果呢？

OXR 创新性地在后训练阶段首次引入面向文档解析的递归自我改进（Recursive Self-Improvement，RSI）训练范式，将解析中的错样本和弱样本转化为下一轮训练的依据。

这套流程可以理解为一次由多个 AI 模型协作完成的“查错与补课”：

OXR 先解析无标签文档，产生待评估的结果。
外部模型评判结果、逐样本分析错误原因，独立聚类模型将问题按原因归类。
外部模型围绕这些问题定向生成训练数据，用于下一轮 OXR 训练。

这样一来，训练数据的准备就有了明确的问题指向：模型哪里薄弱，就围绕哪里补充数据，加快了模型迭代的步伐。同时，闭环中新增加的训练数据无需人工标注，也突破了人工准备材料带来的效率瓶颈。

4 版面分析可插拔，业务适配更灵活

模型读错了，需要提高准确率；但很多时候，解析结果不符合预期，是因为业务对文档结构有不同的定义。

例如，同一组图片，资料归档可能希望整体保留，图片检索则需要逐张提取；一个包含标题、文字和边框的区域，有的业务按文本拆分，有的业务希望整体作为表格处理。两种需求都可能合理。

对此，OXR 将版面分析设计为独立、可插拔模块。

你可以直接使用内置版面分析模型，也可以接入符合自身业务标准的其他版面分析模型，调整元素类别、区域边界与内容分组，再继续复用 OXR 的内容识别和阅读顺序判断能力。

对于构建 RAG、Agent 和文档工作流的开发者，OXR 无疑提供了一个兼顾解析精度、处理速度与版面适配能力的开源选择。

目前，OXR 已开放代码与模型权重，并提供在线 Demo 和免费 API，方便开发者直接用真实文档检验效果：

GitHub 代码仓库：https://github.com/SoMarkAI/OXR
Hugging Face 模型权重：https://huggingface.co/SoMarkAI/OXR-1.0
在线 Demo：https://free-oxr.somark.cn/
免费 API：https://free-oxr.somark.cn/api/v1

有更多生产级文档解析需求的团队，也可以了解同一团队打造、由独立模型驱动的文档解析引擎 SoMark。

SoMark 官网：https://somark.cn/

从 SoMark 到 OXR，这支团队向开发者开放他们在长期探索与实践中积累的宝贵经验，正传达了他们的价值取向：让文档中的知识成为 AI 可用的高质量数据，进入更多真实业务场景。

本文由SoMark团队提供，量子位获授权转载，观点归原作者所有。