Китайская OXR: открытая модель на 1,3 млрд параметров читает документы лучше всех
29–30 октября китайская команда SoMark выложила в открытый доступ OXR — модель распознавания документов всего на 1,3 миллиарда параметров. Она заняла первое место сразу в трёх мировых рейтингах разбора PDF и сканов, обошла системы в десятки раз крупнее и вдобавок оказалась быстрее всех в открытом классе. Главное здесь даже не цифры, а способ, которым модель этому научили: её не размечали вручную, а заставили доучиваться самой по кругу.
Что именно выложили
OXR расшифровывается как Optical Everything Recognition — «распознавание всего». На вход она берёт PDF или фото документа, на выходе отдаёт аккуратный Markdown или JSON вместе с координатами каждого блока на странице. Модель понимает 13 типов элементов: текст, заголовки, таблицы, формулы, код, картинки, подписи, сноски, колонтитулы, печати, химические уравнения и даже химические структурные формулы.
По заявлению разработчиков, OXR — первая модель для разбора документов, где модуль анализа вёрстки сделан отдельным и заменяемым. Это важно не для красоты архитектуры, а для практики: разным заказчикам нужна разная логика разметки страницы, и её теперь можно подменить своим модулем, оставив распознавание содержимого от OXR.
Три первых места и скорость
Результаты такие: 97,18 в OmniDocBench, 87,84 в olmOCR-Bench и 87,76 в DocParsingBench — все три первых места. Для сравнения, в OmniDocBench модель обходит Gemini 3 Pro (92,91), GLM-OCR (95,22) и MinerU2.5-Pro (95,75), при том что сама она в разы меньше.
Скорость — вторая часть истории. На одной карте RTX PRO 6000 OXR разбирает 100 страниц за 101 секунду, то есть около страницы в секунду насквозь, от входа до готовой структуры. Это первый результат среди открытых моделей разбора, а по замерам команды — 557,77 «нативных» токенов в секунду. Важнее другое: модель на 1,3 млрд параметров умещается на одной бытовой карте уровня RTX 3060 — то есть её можно гонять локально, не арендуя кластер.
Как модель учит себя сама: RSI-цикл
Обычно точность в разборе документов повышают ручной разметкой: люди правят ошибки, модель переучивают, появляется новая версия, находятся новые кривые сканы — и всё по кругу. Проблема в том, что идеальную разметку документов собрать невозможно: вёрстка бесконечно разнообразна, а человек ошибается не реже машины.
Команда заметила свойство, которое в этом классе задач легко упустить: у разбора документов почти всегда есть объективно верный ответ. Строку перепутали, таблицу разъехало, символ формулы потеряли — это можно проверить точно. Значит, человека из цикла можно убрать. Так появился RSI — рекурсивное самоулучшение, применённое к разбору документов, по словам авторов, впервые.
Работает это в три шага. Сначала OXR разбирает массу неразмеченных документов, а вспомогательная мультимодельная система делит результаты на три корзины: верно, неверно и «неуверенно». Третья корзина — не придирка: если оставить только «верно/неверно», колебания модели превращаются в ложные ярлыки и отравляют следующий круг обучения. Дополнительно каждый документ прогоняют несколько раз: если ответы расходятся, образец отправляют в «неуверенные», даже когда один из прогонов случайно попал в точку. Затем к спорным примерам добавляют лёгкий шум — масштаб, сжатие, лёгкое размытие — и смотрят, усиливается ли ошибка. Так находят болевые точки модели.
На втором шаге модель-диагност описывает причину каждой ошибки словами: «сбой выравнивания ячеек через колонки», «неверно распознана рукописная вязь». Эти причины группируют в кластеры, чтобы понять, чего именно не хватает в данных. На третьем шаге генератор уже целенаправленно добирает нужные примеры: берёт реальные вёрстки как основу и добавляет в них проблемные структуры, плюс заново прогоняет найденные визуальные слабости. Новые данные возвращаются в обучение — и цикл повторяется. Разметку при этом человек не пишет.
Почему это важно именно сейчас
Разбор документов долго считался скучной технической работой. Но в эпоху ИИ-агентов он неожиданно стал узким местом. Самая ценная профессиональная информация — отчёты, сканы, таблицы, инструкции, медицинские бланки — лежит в PDF и фотографиях с хаотичной вёрсткой. Если подать модели на вход мусор с перепутанным порядком строк и развалившимися таблицами, на выходе будет уверенная бессмыслица, сколько бы параметров у модели ни было. Поэтому инструмент, который превращает грязный документ в аккуратную структуру, — это не «просто OCR», а вход в качественную работу ИИ.
И здесь мы упираемся в ту же стену, что и везде: качество входа решает больше, чем размер модели. По обезличенным данным нашей боевой базы за последние 30 дней пользователи запустили 14 925 генераций изображений; из них 14 188 завершились успешно, а 737 — с ошибкой, то есть около 95% успеха. Но из 737 отказов 541 (73%) — это решения фильтров безопасности, а не технические сбои. Иными словами, модель чаще отказывается работать из-за содержимого запроса, чем не может отрисовать картинку. Ровно тот же принцип, только зеркально: на входе всё важнее, чем мощность на выходе.
Скорость на нашей стороне тоже перестала быть проблемой: по 13 650 успешным генерациям за тот же месяц, где сохранилось время завершения, медиана составила 72 секунды, а девятый дециль — 187 секунд. Ждать долго не приходится — узкое место смещается к тому, что и как мы подаём на вход.
Как этим пользоваться и при чём тут мы
OXR выложена полностью: код, веса и весь набор тестов открыты на GitHub и Hugging Face, а разработчики подняли бесплатный API — без регистрации и ключа, честно предупредив, что держат его, пока хватает серверов. Для локального запуска достаточно карты с поддержкой BF16, а ставится всё через официальный Docker или CLI.
Если же хочется применить разбор документов прямо сейчас, у нас для этого есть свои инструменты. Загрузить файл и задать по нему вопросы, включая таблицы и тексты, можно в чате — он принимает документы и читает их содержимое. А расшифровать запись лекции, интервью или встречи и получить текст с субтитрами помогает бесплатный инструмент «аудио/видео в текст». Картинки, где текст должен читаться ровно, лучше собирать в моделях, которые аккуратны с надписями, — например, в ChatGPT Images 2.5.
Что это значит на практике
Гонка «у кого больше параметров» постепенно уступает место гонке «кто аккуратнее работает с данными». Модель на 1,3 млрд параметров, которая обошла куда более крупных соперников не за счёт размера, а за счёт умного цикла дообучения и грамотной архитектуры, — хорошая иллюстрация. Если открытые инструменты разбора документов продолжат дешеветь и ускоряться, качественный ИИ перестанет быть привилегией тех, у кого есть бюджет на самый большой кластер. И это, пожалуй, важнее ещё одного рекорда в таблице.