模型發布
SoMark 開源 1.3B 文件解析模型 OXR:採 RSI 遞迴自改進,登頂 OmniDocBench 等三榜
量子位單一來源
尚未逐項核實
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

據報導,SoMark 團隊開源參數量僅 1.3B 的文件解析模型 OXR-1.0,主打透過遞迴自我改進(RSI)後訓練提升辨識精準度。評測數據顯示,該模型在上海人工智慧實驗室的 OmniDocBench 取得 97.18 分、Ai2 推出的 olmOCR-Bench 取得 87.84 分,以及在 DocParsingBench 取得 87.76 分,三項榜單皆位列第一。
架構方面,OXR 改寫了傳統將版面分析與閱讀順序綑綁的管線設計,拆分為「獨立且可抽換的輕量版面分析(LA)模組」與「同時負責內容辨識與閱讀順序判斷的 OXR 主模型」。效能實測中,單張 RTX PRO 6000 執行 100 頁端到端解析需 101.0 秒;因參數量僅 1.3B,消費級顯示卡如 RTX 3060 亦可直接進行本機部署。
其後訓練採用的 RSI 機制不依賴新增人工標註,主要分為三階段:第一階段由通用 VLM 與自我採樣對無標籤真實文件進行解析與分類,篩出正確、明確錯誤與不確定(Uncertain)樣本,並透過微小圖像擾動定位視覺敏感脆弱點;第二階段由通用 VLM 診斷錯誤成因,經 SigLIP2 抽取特徵後以聚類演算法匯整為「原因簇」;第三階段則以原因簇提供結構難點,結合真實樣本版式生成針對性合成訓練資料,回流訓練下一代模型。
OXR 支援表格、數理公式(直接輸出標準 LaTeX)、程式碼區塊、化學結構式、印章、頁首與頁尾等 13 類元素解析,並能保留閱讀順序輸出結構化 Markdown。目前模型權重、程式碼與基準評測復現流程已在 GitHub 與 Hugging Face 完全公開,並同步提供免註冊的測試 API 與展示站點。
讀原始報導