Rohan Paul

SoMark开源OXR-1.0，一个1.3B参数的文档解析模型，可将PDF和页面图像转换为Markdown或JSON， > 它在 olmOCR-Bench、OmniDocBench 和 DocParsingBench 上排名第一，同时是测试的 21 个模型中最快的。 > 在单个 24GB GPU 上运行以进行光测试 其后训练使用递归自我改进（RSI）循环，将模型自身的解析错误转化为新的训练数据，无需人工标记，这在文档解析中尚属首次。 解析页面意味着找到每个块（标题、段落、表格、公式），阅读每个块，并将它们按照人类阅读顺序排列。 大多数解析器将布局检测与识别或阅读顺序联系起来，这使得布局很难针对新类型的文档进行重新调整。 OXR 将其拆分：一个小型布局模型在每个块周围绘制一个框，1.3B OXR 模型读取每个框并设置读取顺序，因此团队可以交换自己的布局模型并保留其余部分。 它输出 13 种元素类型和页面坐标，包括表格、LaTeX 数学（科学家用于方程式的文本格式）、代码块、图章和化学结构。 在 RSI 循环中，OXR 多次解析每个训练页面，通用视觉语言模型 (VLM) 标记结果正确、错误或不确定（意味着 OXR 自己的运行不同意）。 然后，VLM 会记录每次失败的原因，并将这些原因分组为具有相同弱点的集群。 对于每个集群，VLM 每次都会根据不同的真实文档生成新的标记页面，并且 OXR 在下一轮之前对它们进行训练。 > 在单个 NVIDIA RTX PRO 6000 GPU 上，它每秒解码 558 个令牌，并在大约 101 秒内从头到尾解析 100 个页面，这是 GLM-OCR 页面吞吐量的 3.05 倍，比第二快的模型 OvisOCR2 领先 33.5%。 > 权重位于 Hugging Face 上，它在单个 24GB GPU 上运行以进行轻量测试，并且免费 API 无需帐户或密钥即可工作。 olmOCR-Bench（0.24 分）和 OmniDocBench（0.27 分）上的准确性领先优势较小，但 OXR 的页面解析速度比 olmOCR-Bench 亚军 Infinity-Parser2-Pro 快约 64 倍。 RSI 循环的作用是自动寻找模型最困难的情况，一个通用的 VLM 既充当判断者又充当标签编写者，因此该循环只能修复 VLM 可以发现的错误。