OXR – 开源文档解析模型

OXR全称OpticalEverythingRecognition，是SoMarkAI推出的1.3B参数文档解析模型，适配私有化RAG与智能体工作流，输入PDF或者文档图像，输出带坐标信息Markdown与JSON 格式内容。模型覆盖13类文档元素识别，在OmniDocBench、olmOCR-Bench、DocParsingBench三项公开评测榜单拿到靠前结果，后训练环节引入 RSI 递归自我改进机制，依靠模型自身识别错误生成新训练样本，减少人工标注投入。项目开放权重、推理代码与评测脚本，配套免费在线演示接口，适合本地部署完成文档结构化提取。

OXR特点

版面分析模块独立可插拔，内置版面模型可替换为自定义方案，适配不同行业文档版式。

识别环节同步判定阅读顺序，省去单独排序步骤，双栏论文、多栏版式还原效果稳定。

支持表格、公式、代码块、化学方程式、页眉页脚、印章等13类文档元素解析。

推理输出元素边界框坐标，结构化数据可直接对接下游程序。

单24G显存显卡即可完成本地推理，解析吞吐高于同量级同类方案。

配套在线演示页面，上传图片快速预览解析效果，降低上手门槛。

OXR技术原理

整体架构拆分为版面检测子模块与 OXR 主识别底座，版面子模块完成页面区域划分，标记不同元素边界。主底座依托 SigLIP2 视觉编码器搭配语言主干，在识别内容的同时输出页面阅读顺序。RSI 递归自我改进循环会收集模型解析出错样本，自动生成修正样本加入训练集，持续优化识别精度。训练阶段混合印刷文档、手写笔记、票据、学术论文等多类型样本，对齐不同版式的元素表达规则。推理链路合并识别与排序流程，减少串行计算带来的耗时。

OXR项目地址

• GitHub仓库：https://github.com/SoMarkAI/OXR

OXR功能

图片、PDF 文件转Markdown，保留原文排版层级与阅读顺序。

输出带坐标的JSON结构，记录每一块文本、表格、公式的位置信息。

识别化学结构式，导出SMILES字符串，适配化学类文档处理。

手写文字、公式、表格内容提取，适配笔记、试卷类素材。

批量文档解析，批量导出结构化文件，接入知识库系统。

生成评测结果，复现公开基准指标，用于文档解析方案对照测试。

OXR应用场景

私有知识库搭建，文档结构化之后送入 RAG 检索链路。

企业内部文档处理，合同、报表、研报自动提取字段信息。

科研文献整理，论文、期刊里的公式、图表、参考文献提取。

教育资料数字化，试卷、手写作业识别归档。

智能体工具调用，读取本地文档，为后续任务提供结构化素材。

算法研发，文档解析、多模态OCR方向消融实验。

OXR如何使用

访问GitHub项目仓库，查阅项目文档、样例与许可说明。

前往HuggingFace下载 OXR 权重文件，核对商用授权条款。

准备Python运行环境，安装依赖包，或者直接使用官方 Docker 镜像。

调用推理脚本，传入 PDF 或者图片路径，指定输出格式为 Markdown 或 JSON。

获取解析结果，查看元素文本、类型与边界坐标。

在线体验场景，打开免费演示站点，上传文档图片查看解析效果。

二次开发场景，替换版面分析模型，调试适配票据、图纸等专属版式。

批量处理场景，编写循环脚本，遍历本地文档目录批量导出结构化数据。

OXR同类产品对比

表格