SoMarkAI/OXR

解決する課題

PDFやスキャンされた画像などのドキュメントは、AIエージェントが直接読み取るのが困難です。OXRはこれらを構造化された機械可読なデータ（MarkdownまたはJSON）に変換し、同時にレイアウト座標を提供することで、後続のツールが各コンテンツのページ上の位置を把握できるようにします。これにより、開発者はカスタム解析パイプラインを構築する手間が省け、ドキュメントデータを自動化ワークフローで利用可能になります。

仕組み

OXRは、ドキュメント解析のためにゼロから学習されたコンパクトな1.3Bパラメータモデルです。2つの独立したコンポーネントを使用します。領域（表、図、テキストなど）を識別するレイアウト分析モデルと、コンテンツを抽出して読み取り順序を決定するOXR認識モデルです。この分割設計により、必要に応じて独自のレイアウトモデルに差し替えることが可能です。ポストトレーニング中、OXRは再帰的自己改善（RSI）ループを使用し、人間のアノテーションなしで自身の弱点や誤った出力を自動的に修正して精度を向上させます。

このシステムは、13種類の要素（表、数式、化学構造、コードブロックなど）のコンテンツをバウンディングボックス付きで出力します。A3試験用紙、手書きメモ、縦書きテキストなどの複雑なレイアウトにも対応しています。

対象ユーザー

AIエージェント、RAGパイプライン、その他の自動化のためにドキュメントを構造化データに変換する必要がある開発者やチーム。ローカルで実行可能、または無料API（テスト用）経由でアクセスでき、ドメイン固有のレイアウトニーズに合わせてカスタマイズ可能な、高速で正確なオープンソースのパーサーを求めるすべての方に適しています。

ハイライト

• #1 ランキング: 3つのドキュメント解析ベンチマーク（olmOCR-Bench, OmniDocBench, DocParsingBench）で1位を獲得しており、特に表解析において圧倒的な強みを持っています。
• プラグイン可能なレイアウト分析: 内蔵のレイアウトモデルは、認識や読み取り順序の機能を損なうことなく交換可能です。
• 速度重視の設計: わずか1.3Bパラメータで、RTX PRO 6000上で最高レベルの解析速度を実現しています。
• 無料API: サインアップ不要で素早くテスト可能（本番環境での使用は推奨されません）。