ARTICLE · 1267813

1.3B小模型扫平文档解析三榜第一!上海团队开源的OXR,让PDF变成Agent能直接吃的Markdown

发布时间：2026-10-28 16:18:39 最近访问：2026-10-28 16:18:40

2026年10月 · 开源项目 · GitHub 2K Star

RSI自我迭代闭环 + 版面可插拔 + 自报速度第一——但"消费级显卡就能跑"这话得打个折

📄 1.3B 文档解析🏆 三榜第一(自报)🧩 版面可插拔

📖 阅读时长约 7 分钟

💡 太长不看版(TL;DR)

OXR（Optical Everything Recognition，仓库 SoMarkAI/OXR）是上海 SoMark 团队 2026-10-20 开源的文档解析模型：1.3B 参数从零预训练，把 PDF/文档图片转成带版面坐标和阅读顺序的 Markdown/JSON。自报成绩：olmOCR-Bench 87.84 / OmniDocBench 97.18 / DocParsingBench 87.76 三榜第一，速度也是开源模型第一（21 模型同跑 100 页：OXR 100.97s vs 第二名 134.78s）。两大卖点：RSI 自我迭代后训练闭环（无人工标注）+ 版面分析独立可插拔（首个）。⚠️ 注意：搜 "SoMark OXR" 排第一的是 0 星第三方 demo，真身是 SoMarkAI/OXR；官方显卡口径是 24GB 仅够低并发测试、推荐 ≥48GB，不是"随便一张消费卡"；许可为基于 Apache 2.0 的自定义条款（200 万美元融资/营收线内免商用）。

📦 一、它到底是什么来头

先纠正一个搜法：GitHub 上没有叫 "SoMark OXR" 的仓库。主仓库真名是 SoMarkAI/OXR（2026-10-28 实查 2,000 Star / 127 Fork），搜 "SoMark OXR" 排第一的反而是个 0 星的第三方浏览器 demo（fusor-rs/oxr-wasm），别走错门。

OXR = Optical Everything Recognition，出自上海的文档解析公司 SoMark（somark.ai / somark.cn，量子位 10-27 报道转载）。它解决的是 RAG / Agent 时代的老大难：把 PDF、扫描件、试卷、报纸这类"人看着容易、机器吃着费劲"的文档，转成带版面坐标和阅读顺序的结构化数据（Markdown 或 JSON），且数据不出自己机器。

项目	实测信息（2026-10-28 GitHub API）
真实仓库	github.com/SoMarkAI/OXR（Python；搜 "SoMark OXR" 会先撞见第三方 demo，认准 SoMarkAI 组织）
Star / Fork	2,000 / 127（2026-10-05 创建，10-24 仍有提交，热乎劲头上）
模型规格	OXR-1.0：1.3B 参数，BF16，从零预训练；内置轻量版面模型（layout_analysis 目录）
权重 / 在线体验	HuggingFace SoMarkAI/OXR-1.0 + ModelScope；Demo 与免费 API：free-oxr.somark.ai（.cn 镜像）
许可	基于 Apache 2.0 的自定义许可（GitHub 显示 NOASSERTION）：融资/营收 < 200 万美元免商用费，禁竞品托管 API

⚡ 二、核心亮点：凭什么横扫三榜

README 列的硬货，挑最关键的说：

亮点	官方口径
🏆 三榜第一	olmOCR-Bench 87.84 / OmniDocBench 97.18 / DocParsingBench 87.76，表格解析领先幅度最大
🚀 速度第一	21 个开源模型同跑 100 页 OmniDocBench（单卡 RTX PRO 6000）：OXR 100.97s，第二名 OvisOCR2 134.78s
🔁 RSI 闭环（自称文档解析首次）	通用 VLM 审 OXR 的输出 → 标记重复预测不一致的不稳定样本 → 聚类归因 → 定向生成训练数据（规则校验，零人工标注）
🧩 版面可插拔（首个）	版面分析独立成模块，可换成你自己的版面模型，保留 OXR 的内容识别+阅读顺序，按业务定义元素/边界/分组
📋 13 种元素类型	表格→HTML/MD、公式→LaTeX、化学方程式→mhchem、化学结构→SMILES、代码块→MD，均带 bounding box
🧪 难文档也能啃	A3 试卷、报纸、竖排文本、中英文手写都有解析示例，README 附效果动图

🛠️ 三、怎么上手：免费 API 先试，再决定上卡

先泼冷水：官方环境要求是 Linux + NVIDIA（BF16）显卡，24GB 单卡仅够低并发测试（4090 级别），推荐 ≥48GB 跑长文档/高并发。8GB/12GB 的消费卡基本带不动。所以正确姿势是先用免费 API 验证效果，再决定买卡/租卡。

① 免费跑（无需注册，api_key 随便填）

pip install somarksomark --base-url https://free-oxr.somark.ai/api/v1 --api-key dummy \ parse document.pdf --formats md,json --out ./parsed-output/

也可直接打开在线 Demo free-oxr.somark.ai（国内用 .cn 镜像）上传文件看效果。官方明说：免费 API 不建议生产用，有排队、不保证稳定。

② 自托管（Docker 一键，推荐）

git clone https://github.com/SoMarkAI/OXR.git && cd OXRhf download SoMarkAI/OXR-1.0 --local-dir ./models/OXR-1.0docker build -f docker/Dockerfile.allinone -t oxr-1.0 .docker run --rm --gpus all --ipc=host \ -p 127.0.0.1:8000:8000 \ -v "$PWD/models/OXR-1.0:/models/oxr-model:ro" \ oxr-1.0

起来之后开 http://localhost:8000/demo 看可视化解析（原文/MD 预览/版面框/阅读顺序），或调 /v1/parse/sync 接口。注意 demo 缓存默认 1 小时过期，结果及时下载。模型推理走 vLLM 官方镜像 + 随权重发布的 out-of-tree 插件，无需重编译；源码部署则要分别起 OXR 模型(8080)、版面模型(8081)、解析 API(8000) 三个服务。显存吃紧可用 VLLM_GPU_MEMORY_UTILIZATION、并发、CUDA Graph 等参数往下压。

💬 四、博主观点

RSI 闭环才是最大看点，不是榜单

文档解析天然"有标准答案"，太适合模型审自己、定向补数据的自我迭代了。零人工标注的数据飞轮若真跑得通，迭代速度会碾压传统标数据路线。

版面可插拔是"懂业务"的设计

同一份文档，归档要整块保留、检索要逐张提取——版面规则因业务而异。把它解耦出来，识别+阅读顺序可复用，这是比榜单更实在的工程价值。

1.3B 打赢一票大模型：任务级架构重设计的胜利

不堆参数，而是把"版面 / 识别+阅读顺序"按任务重切流水线。小模型+好架构在垂直任务上依然能打，这对本地化部署是利好。

自托管是给 RAG/Agent 的精准一刀

企业文档不想出门、Agent 管线要结构化输入，OXR 的定位（数据留本地 + Markdown/JSON 坐标齐全）正好卡在 PaddleOCR / MinerU 这批老玩家的同一生态位，接下来看真实用户怎么投票。

榜单先当参考系，别当信仰

三榜第一是自报口径，arXiv 论文还是 "Coming Soon"；好在复现脚本公开（docs/benchmark.md）。拿你自己最刁钻的文档去跑一遍，比看榜单靠谱。

⚠️ 五、注意事项（重要）

🔴 搜仓库名会迷路：真身是 SoMarkAI/OXR；搜 "SoMark OXR" 排第一的是 0 星第三方浏览器 demo（fusor-rs/oxr-wasm），还有一堆 SoMarkAI 生态库，别下错。

🔴 "消费级显卡就能跑"要打折扣：官方要求 Linux + NVIDIA BF16；24GB 单卡（4090 级）仅够低并发测试，长文档/高并发推荐 ≥48GB。8GB/12GB 卡基本带不动，先用免费 API 或在线 Demo 验证。

🔴 榜单是自报口径：三榜第一为 SoMark 自行对比公开分数的结果，arXiv 论文未发布（Coming Soon）；评测复现脚本在 docs/benchmark.md，引用前建议自行复跑关键项。

🔴 许可不是纯 Apache-2.0：GitHub 显示 NOASSERTION（基于 Apache 2.0 的自定义条款）——总融资或年收入低于 200 万美元免商用费，超过需商业授权，且禁止做竞争性托管解析 API。商用前务必读许可原文。

🔴 免费 API / Demo 别当生产：官方明说不保证稳定、请求排队；Demo 缓存 1 小时过期，解析结果记得及时下载。生产环境请自托管或走 SoMark 官方付费 API。

📌 免责声明：以上信息基于 2026-10-28 公开资料（GitHub API、SoMarkAI/OXR 官方 README、公开报道）整理，仅供参考，不要乱用。星数、榜单成绩、显存要求、许可条款以官方仓库当日实查为准；商用前请自行核实许可与成本，文档解析效果请以你自己的真实文档实测为准。