1.3B,三榜第一——国产开源模型把 PDF 拆成了 Agent 能直接吃的格式

1.3B 参数，三个世界级榜单，全部第一。（文末附相关链接）

OmniDocBench 97.18，olmOCR-Bench 87.84，DocParsingBench 87.76。

单张 RTX PRO 6000，100 页文档端到端解析，101.0 秒，开源里最快。

模型叫 OXR，Optical Everything Recognition，出自 SoMark 团队。代码、权重、整套评测复现流程全量开源，GitHub 上 1.1K+ star，先在海外开发者社区热起来的。

先看它能干什么。

以前的工具基本只指望把图变成字，剩下的靠模型自己猜。猜错的表格塞进 RAG，下游怎么调都救不回来。

一、它到底在干什么

13 类文档元素，全检测，全识别。表格、公式、代码块、图片、化学方程式、化学结构、脚注、页眉、页脚、印章。

输出不是一堆散字，是带坐标的结构化 Markdown 或 JSON，直接能被 Agent 调用。

这件事为什么难。

传统 OCR 面对一份平平无奇的 PDF，经常是灾难现场。双栏论文串行，手写公式识别成乱码，跨页大表格结构崩解，化学结构式被当成杂乱线条丢掉。这种输入喂进大模型，再聪明也只能吐幻觉。

文档解析一直是个听着没技术含量、实际至今没被完全攻克的活。

二、1.3B 凭什么打过百亿模型

答案在后训练，方法是 RSI，递归自我改进。

先看数据这件事有多贵。文档解析的标注是个无底洞，排版千奇百怪，公式、代码、图表错综复杂，人工标注成本高，错误率本身也高，真实世界的长尾坏样本根本穷尽不了。工程师挑出坏样本、人工修正、重新训练、发个新版本，遇到新的奇葩排版又挂了。

图3 · RSI 三阶段示意

数据准备的速度，卡死了模型进化的脖子。

OXR 团队抓住了一个被忽视的特性，每一份文档输入，都有客观确定的标准答案。文字对不对、表格跨行跨列有没有错、公式符号漏没漏，都能被精确测量。

既然对错可以客观判断，就不必等人类来补标注。

于是后训练阶段引入了一个三步循环。

第一步，预测与分类。OXR 先解析海量无标签真实文档，再让通用多模态模型结合原始图像、解析结果和评判标准，把样本切成三类。Correct 直接通过，Wrong 明确判错送去深度剖析，Uncertain 预测不稳或处在分布边缘，同样送去分析。

保留 Uncertain 这一档，是整个方法里最反直觉的设计。只给正确和错误两个非黑即白的选项，评判模型的犹豫就会被强行包装成一个确定标签，噪声就这么喂进下一轮训练。

OXR 还会对自己做多次 rollout 采样。同一份文档跑几次结果大相径庭，说明模型自己没底，哪怕碰巧蒙对一次，也扔进 Uncertain。

接着在语义完全不变的前提下做轻微图像扰动，小幅缩放、压缩、模糊、平移。扰动之后分歧进一步扩大，说明模型对无害的视觉变化过度敏感，这个动作被记成一条病因，直接指导下一轮补强。

第二步，归因与训练规划。错样本筛出来不能乱喂，得先搞清楚它死在哪儿。通用多模态模型像老医生一样逐个诊断，是跨列单元格对齐失败，还是手写连笔识别错误。

诊断出的自然语言原因，经 SigLIP2 提特征，再由聚类模型形成原因簇。

跨域聚类是这里最有意思的部分。一张财务报表和一张化学实验记录表，外观和文字八竿子打不着，如果归因都指向某种罕见的跨行跨列结构，它们会被提炼成同一个数据构造方向。

第三步，数据生成。原因簇提供结构难点，真实样本池提供版式与视觉风格的参照。每生成一批新数据，从真实样本里抓排版风格当锚点，把要攻克的结构难点自然嵌进去；扰动测试暴露的视觉脆弱点，也被系统性编进合成管线，逼模型反复脱敏。

校验合格的数据回流，训练下一代 OXR。

一轮跑完，短板补上；新一轮真实文档再跑，又暴露新的短板。数据分布一轮轮变扎实，模型的智能密度就上来了。数据质量足够高的时候，模型不需要靠臃肿的参数量去死记硬背。

三、速度第一，是另一回事

准确率第一能理解，速度也是第一就有点意外。

100 页 101 秒，单卡。参数小只是表象，文档解析的速度瓶颈根本不在模型大小。

回顾这条技术线走过的路。

最早是 Pipeline，检测、识别、排序各挂一个独立专有模型，拼起来极其臃肿，维护成本高。后来 VLM 火了，所有任务本质都是图像到序列的映射，端到端大模型一锅端，方案优雅，但自回归生成长序列太吃算力，慢。再后来 PaddleOCR-VL 走了一步好棋，把版面分析和阅读顺序合并成一个小模型，后面接识别模型，两个模型两个阶段，把版面检测拉回毫秒级，成了这两年的行业标准解法。

标准解法也有隐性成本。每增加一条版面标注，就必须强行绑一条阅读顺序标注，数据处理难度直接翻倍。

OXR 换了个任务级拆法。独立的轻量模型只管版面分析，主模型同时负责内容识别和阅读顺序判断。

两个变化。

阅读顺序的损耗被抹平了。判断顺序的耗时本来就远小于文本识别，并进主模型之后没多花时间，反而因为主模型本身有语义理解能力，顺序判断的准确率大幅提升；前面的版面模型卸下排序包袱，任务变纯粹，可以直接换成更轻的高效检测模型，整体吞吐量起飞。

图4 · 架构对比

版面分析彻底独立，可插拔。版面需求是个长尾问题，同一个图文混排区域，内容团队想整张提，知识库团队想把文字抠出来当正文；四格漫画，业务 A 要整体裁切，业务 B 要切成四张小图。这种需求没法统一定义。

现在这个模块可以整个换掉。处理古籍、医疗单据这类特殊版面，用自己训的私有版面模型替换，后端继续用 OXR 的识别能力。

四、白嫖通道

免费 API，免注册，免申请 Key，国内镜像 free-oxr.somark.cn/api/v1。

官方说法是，在服务器负载还能承受的区间内会一直维护开源免费服务，但不建议拿去跑生产环境，请求会排队。

本地部署也顺。主流推理框架全面适配，不用自己吭哧吭哧编译 vLLM，官方 Docker 或 CLI 挂载插件一键拉起服务。官网给的部署门槛是 1 张 RTX 3090，1.3B 的模型，消费级卡就能跑。

代码、权重、评测复现流程都在 GitHub，权重在 Hugging Face 和 ModelScope 同步发布。

这里要做个区分。开源的是 OXR，13 类元素。团队还有一套商业级引擎叫 SoMark，21 类元素，支持 Word、PPT、Excel 等更多格式，官网口径是 100 页最快 5 秒，走 API、CLI、MCP 插件和私有化部署几条路。

开源模型和商业引擎不是一回事，别混淆。

One More Thing

为什么今天还要花这么大力气去死磕文档解析？

Agent 正在接管各行各业的工作流，但人类过去几十年沉淀下来的专业私域知识，绝大多数还躺在格式混乱、排版复杂的 PDF、扫描件和报表里。大模型再聪明，喂进去的是一堆顺序错乱、表格破碎的字符垃圾，吐出来的只能是幻觉。

过去很多人把 OCR 当成技术含量不高的搬砖活。

从 OCR 到 OXR，它承担的使命已经变了。它是人机交互的桥，把人类世界的多模态文档完整无损地重构成 Agent 直接可用的结构化资产。

说得再直白一点。模型智能的天花板已经抬得很高了，真正卡住落地的，是输入侧那些没人愿意脏手的活。

过去三十年，OCR 的活是把纸变成字。

从今天起，它的活是把人类的知识底座，翻译成机器能读的语言。

底座铺好，上面的东西才立得住。

相关链接附上

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

ModelScope：https://modelscope.cn/models/SoMark/OXR-1.0

在线 Demo：https://free-oxr.somark.cn/

免费 API（免 Key）：https://free-oxr.somark.cn/api/v1

官网：https://somark.cn/ （主站 https://somark.ai）