描述
OXR-1.0是SoMark团队开发的先进开源文档解析模型,旨在将复杂文档(如PDF和图像)转换为结构化的代理友好数据。它以Markdown或JSON等格式输出数据,附带布局坐标,使其在需要精确文档理解的各种应用中极具多功能性。
阅读更多
OXR-1.0以其创新的架构而著称,是首个在后期训练中结合递归自我改进(RSI)循环的文档解析模型。这种独特的方法使模型能够通过针对处理不正确或薄弱的样本来提升其性能,显著加快迭代和改进,而无需人工标注。尽管仅有1.3亿个参数,OXR-1.0在包括olmOCR-Bench、OmniDocBench和DocParsingBench在内的主要基准测试中始终排名第一,特别是在表格解析方面表现出色。
OXR-1.0的一个关键特性是其可插拔的布局分析模块,这是行业内的首次。这种设计允许用户用自定义布局模型替换内置布局模型,提供无与伦比的灵活性,以适应多样化的特定领域需求。OXR-1.0在内容识别和阅读顺序方面保持其核心能力,确保在各种文档场景中集成工作量最小。它能够识别13种不同的文档元素类型,从公式和表格到化学方程式和代码块,为每种元素提供边界框坐标。
除了准确性,OXR-1.0还拥有顶级的解析速度,在速度测试中超越其他开源模型。这种效率是通过在任务级别重新设计处理架构实现的,优化了速度,同时保持高准确性。该模型能够处理具有挑战性的文档类型和布局,包括A3考试卷、报纸、竖排文本,甚至手写文本。SoMark提供免费的API供测试使用,并提供全面的CLI和SDK工具,支持Python和JavaScript,确保开发者的广泛兼容性和易于集成。
- 类别AI 模型与大语言模型
- 定价模式Free API / Open Source
- 部署云端, 本地运行
- 平台网页版
OXR-1.0亮点
开源文档解析模型
将PDF和文档图像转换为Markdown或JSON
输出中包含布局坐标
利用递归自我改进(RSI)循环进行后期训练
实现最先进的(SOTA)准确性
在olmOCR-Bench、OmniDocBench和DocParsingBench中排名第一
拥有1.3亿个参数
提供行业领先的解析速度
独立且可插拔的布局分析模块
支持自定义布局模型
处理内容识别和阅读顺序
识别13种文档元素类型(公式、表格、化学方程式、代码块等)
在具有挑战性的文档上表现良好(A3考试卷、手写文本、竖排文本)
提供免费的API供测试使用
与SoMark的官方文档解析API和CLI工具兼容
OXR-1.0入门
访问模型:从Hugging Face或ModelScope下载OXR-1.0代码和模型。
准备环境:设置您的环境以下载模型并执行服务。
启动服务:使用Docker运行OXR-1.0服务以获得推荐设置,或从源代码启动单个服务(OXR模型、布局分析模型、文档解析API)。
配置API:如果从源代码运行,请通过在config.yaml中设置URL字段为OXR和布局分析模型服务的地址来配置文档解析API。
打开视觉演示:访问http://localhost:8000/demo以上传PDF或图像并查看解析结果,包括Markdown预览、源、布局边界框和阅读顺序。
发送解析请求:直接使用OXR API或通过更改基础URL与SoMark的CLI/SDK工具(somark-py、somark-js)集成以发送解析请求。
优化集成:根据特定领域需求调整可插拔的布局分析模块,以实现定制的文档结构解析。
OXR-1.0的使用案例
- 文档数字化
- 数据提取
- 内容识别
- 自动化文档处理
- 代理友好的数据准备
- 自定义布局分析
- 研究与开发
- 文档解析基准测试








