中国 OXR：13 亿参数的开源模型，读文档比谁都准
10 月 29 至 30 日，中国团队 SoMark 将 OXR 开源：一个仅有 13 亿参数的文档识别模型。它同时在三个全球独立的 PDF 与扫描件解析榜单上拿下第一，超过了体积大得多的系统，并且在开源模型里速度最快。但更重要的不是分数，而是它的训练方式：没有任何人工标注，模型被设计成在循环中不断自我提升。
发布了什么
OXR 全称 Optical Everything Recognition，即“万物识别”。它接收 PDF 或文档照片，输出干净的 Markdown 或 JSON，并附带页面上每个区块的坐标。它能识别 13 类元素：正文、标题、表格、公式、代码、图片、图注、脚注、页眉页脚、印章、化学方程式，甚至化学结构式。
据开发者介绍，OXR 是首个把版面分析模块做成独立且可替换的文档解析模型。这与其说关乎架构之美，不如说关乎落地：不同客户对页面版面的规则完全不同，现在你可以换上自己的版面模块，同时保留 OXR 的内容识别能力。
三个第一，以及速度
成绩如下：OmniDocBench 97.18、olmOCR-Bench 87.84、DocParsingBench 87.76，三项均列第一。作为对比，在 OmniDocBench 上它超过了 Gemini 3 Pro（92.91）、GLM-OCR（95.22）和 MinerU2.5-Pro（95.75），而自身体积只是它们的一小部分。
速度是另一半故事。在单张 RTX PRO 6000 上，OXR 端到端解析 100 页只需 101 秒——约每秒一页，直接得到完整结构。这在开源解析模型里是第一名，据团队测量达到每秒 557.77 个原生 token。更重要的是：13 亿参数的模型能装进 RTX 3060 这类日常显卡，无需租用集群即可本地运行。
模型如何自我训练：RSI 循环
文档解析的精度通常靠人工标注来提升：人修正错误、模型重训、发布新版本、又遇到新的奇葩版面，如此循环。问题在于，文档的完美标注根本不可能——版面千变万化，而人工的错误率并不比机器低。
团队注意到这类任务里一个容易被忽略的特性：文档解析几乎总有客观正确的答案。串行的行、崩掉的表格、丢掉的公式符号，都能被精确校验。于是可以把人从循环里拿掉。这就是 RSI——递归自我改进，被用到文档解析上，作者称这是首次。
它分三步走。第一步，OXR 解析大量无标注文档，一个辅助的多模态系统把结果分成三桶：正确、错误、不确定。第三桶不是点缀：若只保留“对/错”，模型的犹豫会被强行包装成确定标签，毒害下一轮训练。每份文档还会被多次采样；若结果差异很大，样本就进入“不确定”，哪怕某一次碰巧蒙对。接着对争议样本做轻微图像扰动——缩放、压缩、轻模糊——看错误是否放大，从而暴露模型的薄弱点。
第二步，一个诊断模型用自然语言描述每个错误的原因：“跨列单元格对齐失败”“手写连笔识别错误”。这些原因被聚类，用以发现数据里缺什么。第三步，生成器有针对性地补数据：以真实版面为底，把难点结构融进去，并重新演练已发现的视觉弱点。新数据回流训练，循环往复。标注始终不由人来写。
为什么此刻重要
长期以来，文档解析被视为枯燥的搬砖活。在 AI 智能体时代，它突然成了瓶颈。最值钱的职业知识——报告、扫描件、表格、手册、医疗单据——都躺在版面混乱的 PDF 和照片里。如果把行序错乱、表格破碎的垃圾喂给模型，无论它有多少参数，吐出来的都是自信的胡言乱语。所以，把脏文档变成干净结构的工具不是“单纯的 OCR”，而是让 AI 真正好用的入口。
在这里我们撞上同一堵墙：输入质量比模型体积更重要。根据我们生产数据库最近 30 天的匿名汇总，用户共发起 14,925 次图像生成；其中 14,188 次成功，737 次失败，成功率约 95%。但在这 737 次失败里，有 541 次（73%）是安全过滤器的判定，而非技术崩溃。换句话说，模型因请求内容而拒绝的次数，比它画不出来更多。同一原则，方向相反：进去的东西，比出来的算力更重要。
速度在我们这边也不再是问题：同月 13,650 次记录了完成时间的成功生成里，等待中位数为 72 秒，第 90 百分位为 187 秒。等待很短，瓶颈正移向“喂什么、怎么喂”。
如何使用，以及我们的位置
OXR 完全开源：代码、权重和整套评测都在 GitHub 和 Hugging Face 上，团队还提供了免费 API——无需注册、无需密钥，并诚实地说明只要服务器撑得住就会一直开着。本地运行需要支持 BF16 的显卡，通过官方 Docker 或 CLI 即可安装。
如果你想现在就用上文档解析，我们也有自己的工具。可以在聊天里上传文件并就它提问，包括表格和正文——聊天会读取文档内容。要把讲座、采访或会议转成带字幕的文字，可以用免费的音频/视频转文字工具。至于必须让文字工整的图像，请用对字形更谨慎的模型，比如 ChatGPT Images 2.5。
实际意味着什么
“谁参数更多”的竞赛，正慢慢让位于“谁更细致地处理数据”。一个 13 亿参数的模型，不靠体积，而靠聪明的再训练循环和干净的架构，超越了远大得多的对手——这就是很好的例子。如果开源的文档解析工具继续变便宜、变快，好的 AI 就不再是买得起最大集群的人的专属特权。这也许比榜单上再多一行更重要。