OXR文档解析模型：pdf识别文字图片免费方法网站@SoMark 团队@欧巴聊AI

AI 读不懂文档，才是知识库幻觉的根源

最近后台有朋友问我，说他们在做公司内部的知识库，把几百份产品手册和企业标准丢了进去，但 AI 幻觉太严重了，回答总是错的，是为啥呀？

这个问题其实很简单，先别急着怪大模型，要先看看它读到的是什么。一份 PDF 扔进去，第一步是要拆解成结构化的数据。这一步要是不准确，后面的模型再聪明，也是白搭。这就是垃圾进，垃圾出。刚好这周，刷到个开源模型让我眼前一亮。它叫 OXR，是 SoMark 团队开源的文档解析模型，只有 1.3B。

主打一个把 PDF 和文档图片变成 Agent 友好的数据。光看这个名字就取得很有野心了，OCR 的全称是 Optical Character Recognition，OXR 把中间的 C 换成了 X，全称是 Optical Everything Recognition。

万物皆可识别。更猛的是，它是 10 月 20 日在 X 上发布的，几天下来，X 的 News 板块里，讨论热度多次排到了 Top1。一个国产的开源模型，先在海外开发者圈子里被围观。这样的剧情，这两年越来越常见了。那么话不多说，咱们必须来实测一波。

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

Hugging Face：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

SoMark官网：https://www.somark.cn

实测前先跑分：全球三榜 Top1

实测之前，先来看下跑分。

原图主张 OXR-1.0 在三大文档解析基准均居首；omlOCR-bench 的 OXR 分数在两处标注略有差异（柱状榜 87.54 / 散点图 87.94），此处取散点图第一标注。个别临近模型分差在 0.1 以内，源于榜单版本或图像分辨率。完整榜单见原图。

因为比起热度，我更关心实际的效果。毕竟文档解析这条赛道，这两年卷得还是很凶的。不少还都是大厂来做的，比如 PaddleOCR-VL-1.6，MinerU2.5-Pro，OvisOCR2 等等。而 OXR 的跑分，拿到了全球三榜的 Top1。这就更激发起我的好奇心来实测了。

OXR 可以识别公式，表格，化学方程式和代码块等 13 类文档元素，甚至还能提供对应的版面坐标。下面咱们就立马进入实测。

五项实测：从化学试卷到企业标准

第一个是我让 AI 模拟生成的一份化学试卷。

第一项：化学试卷（2.9 秒）

扔进去之后，一眨眼的时间就解析完成了，处理时长 2.9 秒，这速度真有点恐怖了。解析出来的内容，也没啥大毛病。更细的是，它输出的形式是非常 AI 友好的。

这个示例里，整体输出是一份 Markdown 格式的文件，表格的输出是 HTML 标签，公式是 LaTeX 格式，化学方程式是用 mhchem 表示的，化学结构式是用 SMILES 表示的。

输出完全可以无缝扔给 AI 直接来读。这还没完，更细的马上就来了。解析结果中，还包含版面的坐标信息，拿到了这个，你就能结合原始文档来精准展示对应的区域了。折腾过这块的开发宝子们，你应该能看懂 OXR 的含金量了。在过去需要分开折腾的工作流，现在直接扔给模型，真就能全都一把出来了。第二个，我想给它上个难度。

第二项：竖排《桃花源记》，含小字注释与红色印章

扔进去了一份竖排的《桃花源记》，是从右往左读的，正文里面还夹杂着小字的注释，里面还有一枚红色的印章。结果输出的内容，无论是阅读顺序，还是小字注释全都识别出来了。甚至连印章中的文字，输出也是正确的。处理时间总共只花了 2 秒钟，确实有点东西啊。继续上难度，第三个，我给它的是一份虚构的公司利润表。

第三项：多级表头与合并单元格的利润表

里面不仅有多级的表头，还有各种合并单元格。解析的结果，依旧是非常准确。为了测试它的上限，必须继续增加难度。

第四项：歪斜带阴影的手机翻拍件

我把这份文件拍成了一张歪斜带阴影的手机照片，再扔给他测了一遍。输出的质量依旧稳定。继续上难度。

第五项：倾斜泛黄的企业标准扫描件

我让 AI 模拟生成了一份虚拟的企业标准扫描文件，还是这种倾斜泛黄的版本。扔给 OXR 之后，依旧是处理时间不到 3 秒钟，就输出了结果。非常细的一手就来了。我反复核对了好几遍，除了正文文本，页脚，页眉，图片和表格的注释全都识别出来了。甚至，它还单独把关键的零件图和印章图，单独的扣了出来。这你受得了么。

更受不了的是，我还找到了一份英文手写体识别的官方实测，OXR 解析的结果也是完全正确。经过咱们实测，看来不光是识别精度高得离谱，速度也是快得飞起。

官方测速：单卡 21 个模型里 Top1

官方在单张英伟达 RTX PRO 6000 上做了测速。

测试环境：单张 NVIDIA RTX PRO 6000，100 页端到端计时（文件输入到结果输出）。数值以原图条形图为准，个别临近值因分辨率读取可能存在 ±0.x 偏差；OXR-1.0 两项均居首。

从 OmniDocBench 里固定抽出了 100 页，让所有的解析模型一块跑，从文件输入进去到结果出来，全程掐表计时。

结果参与测速的 21 个模型里，OXR 排名 Top1。

为什么这么快：架构拆分与 RSI 训练范式

你可能想问了，它凭啥这么快呢？我特意研究了下 OXR 的架构，打个比方来说啊。

旧的流水线：三次交接吃掉时间

传统的文档解析像一条流水线，先做版面分析，把页面切成一块一块，再去分别识别文字，表格，公式等元素。最后还要单独跑一遍阅读的顺序，把各种碎块再拼回去。环节一多，时间久消耗在了交接上。而 OXR 是怎么做的呢？它把阅读顺序判断合并进了内容识别，全都用同一个模型一起来完成。

它在识别文字的时候，顺手就把先读哪块想清楚了。这时候它不光看得懂内容，排列顺序也有了语义依据。版面分析则交给一个独立的轻量模型，专心的干好这一件事。所以 OXR 快，主要是靠更合理的架构拆分，1.3B 的模型参数体量只是一部分原因。

可插拔版面模块：把最该定制的部分单独拎出来

架构拆开之后，还会带来一个对企业很实在的好处。OXR 首次将版面分析设计为独立可插拔的模块，在提升整体解析效率的同时，也能让业务适配变得更加灵活。你可以用它自带的版面模型，也可以换成自己训练的，后面的内容识别和阅读顺序照样交给 OXR。为啥需要换呢？因为一页纸究竟该怎么切，要因人因事因地因时制宜。

比如拿上面咱们的实测案例，制造企业里常见的一份企业标准来说，上面有各种条款编号，尺寸公差，材料成本，计算公式，结构示意图，还有印章。

同样一页纸，不同部门的要求是完全不同的。研发要的是公式和图，质检要的是检验规则表，采购看的是材料表里的牌号和化学成分。放到别的行业里也一样，以前碰到这种情况，只能整条解析链路推倒重来。OXR 把最常需要定制的那一块单独拎了出来，你可以自由插拔。最后，聊聊我觉得最有意思的部分，RSI。

RSI：把「错题本」做成训练闭环

OXR 是从零开始预训练的，在后训练阶段首次引入了面向文档解析的递归自我改进训练范式，也就是 RSI。这句话听着很魔幻，我换个大家都熟悉的东西来打比方。错题本。过去学霸为啥是学霸，因为他们大概率都有一本错题本，老师批改完卷子后，他们会把错的题和蒙对的题挑出来，再一道道题去分析。

把错误的原因归归类，对着最集中的那几类薄弱点专门找题来练习。练完了再去考试，考完再重新来一遍。OXR 的后训练，就是这么一个循环。找弱点补数据这个思路，其实业内不少团队都在用。OXR 还有个与众不同的地方，那就是整个闭环无需人工标注新的训练数据，大大加快了模型的迭代速度。

做过数据的同学，应该很懂这件事的含金量。毕竟标注，是文档解析里最贵最慢的一个环节。

尾声

克制的小模型，把使用门槛打没了

今年人人都想做全能的 Agent，个人 Agent。我很敬佩 OXR 的这种克制的态度，还是非常难得的。我查了下背后的团队，OXR 是由 SoMark 团队开源维护的，大家如果有更严格的生产需求，不妨去了解一下。更贴心的是，他们不光提供了免费的在线 Demo，还有免费的试用 API，甚至还提供了 vLLM 部署的插件和脚本，以及上下游的工具生态。可以说是把使用的门槛彻底打没了。往大了说，Agent 再聪明，也得先读得懂内容才行。把一页纸读对，看着是一件小事，却是所有成大事的起点。

我自己是从网页版直接开始的：不用装环境也不用写代码，把 PDF、扫描件或者手机拍的文档照片传进去，文字、表格连版面一起识别出来，下面这几个入口都是免费能用的。