OXR以1.3B参数登顶三大文档解析榜，RSI技术成关键
国产开源模型OXR凭借1.3B参数量在OmniDocBench等三大权威榜单登顶。其核心在于引入递归自我改进（RSI）训练范式，无需大量人工标注即可实现高精度文档解析。该模型支持表格、公式及化学结构式识别，单卡解析百页文档仅需101秒，并提供免费API及可插拔架构，显著降低了高质量文档数据获取门槛。
1.3B小模型如何拿下全球第一
文档解析这个领域看着传统，痛点却一直都在。最近冒出来一个让人意外的结果：国产开源模型OXR参数量只有1.3B，却在OmniDocBench、olmOCR-Bench和DocParsingBench三个国际权威评测榜单上同时排到第一。
这次成绩的特别之处，在于模型体量。过去想要高精度的文档解析方案，通常得靠数十亿乃至百亿级参数的大模型，或者搭一套复杂的流水线。OXR用极小的参数量做到了SOTA（State of the Art），速度上也很突出。单张RTX PRO 6000显卡，100页端到端文档解析只要101秒。放到本地部署来看，连RTX 3060这类消费级显卡都能流畅跑起来，使用门槛降了不少。
实际效果方面，常规的双栏论文、复杂表格OXR都能处理，手写数学公式也能准确识别并转成LaTeX代码，化学结构式同样可以还原。对多类文档元素的这种精细化处理能力，直接缓解了下游RAG（检索增强生成）系统因为输入数据质量差而产生的幻觉问题。
传统OCR的困境与数据瓶颈
文档解析难，难在真实世界里的文档形态太复杂。遇上双栏排版、跨页表格、手写笔记，或者代码块和图片混在一起的技术文档，传统OCR工具经常出现串行错误、结构崩解、内容丢弃。这些非结构化的“字符垃圾”进了大语言模型，推理效果会被严重干扰。
更深一层的问题出在数据标注上。要做到高精度解析，一般得有海量人工标注数据撑着。可文档排版千变万化，长尾场景没完没了。人工标注成本高，还容易出错。工程师常常陷在“发现坏样本-人工修正-重新训练”的低效循环里，模型迭代速度被数据准备这一环卡得死死的。
OXR团队看明白了一点：文档解析和别的视觉任务不一样，它有客观确定的标准答案。文字对不对、表格行列齐不齐、公式符号有没有错，用规则或验证程序都能精确判断。顺着这个特性，团队在后训练阶段引入了递归自我改进（RSI）范式，让模型自己纠错、自己进化，从而不再依赖大规模人工标注。
RSI：让模型自己找错并进化
RSI（Recursive Self-Improvement）是OXR做到高智能密度的核心。整套过程不靠新增人工标注，而是由系统自动找错、归因、生成数据并迭代。流程主要有三个阶段。
第一个阶段是预测与分类。OXR先解析海量无标签真实文档，再由通用多模态模型（General VLM）结合原始图像和评判标准，把样本分成三类：完全正确的Correct、明确错误的Wrong，以及预测不稳定或处在分布边缘的Uncertain。保留Uncertain这个类别是关键设计，它不会把模型的犹豫硬包装成确定标签，避免噪声数据污染下一轮训练。另外，系统会对高分歧样本做多次rollout采样和轻微图像扰动（如缩放、模糊），扰动后分歧如果扩大，就记为视觉脆弱点，用来指导后续补强。
第二个阶段是归因与训练规划。筛出来的错误和弱样本得诊断原因。General VLM逐个分析样本，判断问题出在跨列对齐失败，还是手写连笔识别错误。这些自然语言描述的原因被送进SigLIP2提取特征向量，再通过聚类模型形成原因簇。财务报表和化学记录表外观可能差得很远，但只要都栽在罕见的跨行跨列结构上，就会被归到同一个数据构造方向。靠这种聚类实现精准打击，模型该加强哪项能力就清楚了。
最后是数据生成。系统依据原因簇给出的结构难点，结合真实样本池提供的版式风格，生成新的训练数据。生成时会把之前发现的视觉脆弱点编进合成管线，逼着模型在练习中对这些干扰因素脱敏。经过严格校验的新数据直接回流，训练下一代OXR。每轮迭代都补上上一轮的短板，数据分布也就越来越完备、越来越扎实。
架构重构：速度与灵活性的平衡
算法之外，OXR在工程架构上同样做了一次反直觉的改造。回看这条路：早期是检测、识别、排序各跑各的独立Pipeline，之后VLM把整件事端到端一锅端，再到PaddleOCR-VL的两阶段方案，每一种做法都在速度和精度之间找平衡。端到端优雅，可速度上不去；两阶段快，数据处理却难，因为版面分析必须跟阅读顺序标注绑在一起。
OXR给出的解法是把任务拆成“Layout Analysis –> Recognition + Reading Order”。版面分析（LA）交给一个独立的小模型，内容识别（Recognition）和阅读顺序判断（RO）则由OXR主模型一并承担。这么设计，好处有两个。
先看阅读顺序。判断阅读顺序花的时间远少于文本识别，把它塞进主模型，额外耗时没有增加，反倒借主模型的语义理解把排序准确率提了上去。另一边，版面分析模型不用再管排序，任务变纯粹了，可以换上更轻、更高效的检测模型，整体吞吐量随之明显提升。
再看可插拔性。不同业务对版面怎么划分，需求差得很远——同样是图文混排区域，有的想整图提取，有的只想抠出文字。在OXR的架构里，版面分析是独立模块，用户能按自己的场景（比如古籍、医疗单据）换成自己训练的私有模型，后端照样复用OXR的内容识别能力。改造成本压到最低，业务适配的自由度却放到了最大。
开源生态与实际应用
对开发者来说，OXR的开源策略很有吸引力。代码、权重、整套基准评测的复现流程都公开了，还提供免注册、免Key的免费API服务；只要服务器负载撑得住，这项服务会一直维护下去。想在本地部署的，OXR适配了主流推理框架，用Docker或CLI就能一键拉起服务，不必再折腾重编译vLLM之类的操作。
眼下OXR已在GitHub和Hugging Face上线，在线Demo也能直接用。如果有企业用户要处理Word、PPT、Excel等更多格式，或者对定制能力要求更高，团队另外准备了商业级引擎SoMark。
Agent逐步接管工作流的当下，结构化的高质量数据是AI落地的基石。可人类几十年攒下的核心知识，大多躺在格式混乱的PDF和扫描件里。OXR这类工具出现，是技术往前走了一步，也是基础设施补上了一块。它把复杂的多模态文档重新整理成Agent好用的结构化资产，大模型落地时“最后一公里”的数据输入难题，就此有了着落。当更多人盯着模型智能的上限，这类扎在工程落地里、专啃脏活累活的工具，正为AI应用的普及把路一点点铺开。
