SoMark 团队开源 OXR 文档解析模型，1.3B 参数登顶三项基准

SoMark 团队开源文档解析模型 OXR，全称 Optical Everything Recognition，主模型仅 1.3B 参数。团队公布的评测结果显示，OXR 在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 三项基准上分别取得 97.18、87.84 和 87.76 分，均位列第一。 能力上，OXR 覆盖文字、表格、公式、化学结构式、代码块等 13 类文档元素，可还原多栏版面的阅读顺序，输出 Markdown / JSON 并保留版面坐标，供 Agent、RAG 等下游流程使用。表格输出为 HTML，公式输出为 LaTeX，化学方程式用 mhchem、化学结构式用 SMILES 表示。 速度方面，团队在同一张 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 分别约需 145 秒和 255 秒。架构上由轻量版面分析模型定位内容区域，主模型完成内容识别与阅读顺序判断，把排序并入识别阶段以减少额外开销。 训练上，OXR 在后训练阶段引入面向文档解析的递归自我改进（RSI）范式：先解析无标签文档产生结果，由外部模型评判并逐样本分析错误原因，独立聚类模型按原因归类问题，再由外部模型围绕问题定向生成训练数据用于下一轮训练，新增数据无需人工标注。 工程适配上，版面分析被设计为独立可插拔模块，可使用内置模型，也可接入符合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后继续复用 OXR 的内容识别与阅读顺序判断能力。目前 OXR 已开放代码与模型权重，并提供在线 Demo 和免费 API；团队同时提供由独立模型驱动的文档解析引擎 SoMark 供生产级需求使用。