SoMarkAI/OXR

它解决了什么问题

PDF 和扫描图像等文档对于 AI 代理来说很难直接读取。OXR 将它们转换为结构化的、机器友好的数据（Markdown 或 JSON），同时提供布局坐标，以便下游工具知道每个内容在页面上的位置。这使开发人员无需构建自定义解析管道，并使文档数据可在自动化工作流程中使用。

工作原理

OXR 是一个紧凑的 1.3B 参数模型，是从零开始为文档解析而训练的。它使用两个独立的组件：识别区域（表格、图形、文本等）的布局分析模型，以及提取内容并确定阅读顺序的 OXR 识别模型。这种拆分设计允许您在需要时替换自己的布局模型。在训练后阶段，OXR 使用递归自我改进 (RSI) 循环——它自动针对自身薄弱或错误的输出进行改进，无需人工标注。

该系统输出 13 种元素类型（包括表格、公式、化学结构、代码块）的内容，并带有边界框。它支持具有挑战性的布局，如 A3 试卷、手写笔记和垂直文本。

适用人群

需要将文档转换为结构化数据以供 AI 代理、RAG 管道或其他自动化使用的开发人员和团队。它适合任何想要一个快速、准确、开源的解析器，并且可以在本地运行或通过免费 API（用于测试）访问，并针对特定领域的布局需求进行定制的用户。

亮点

• #1 排名：在三个文档解析基准测试（olmOCR-Bench, OmniDocBench, DocParsingBench）中排名第一，在表格解析方面具有特别明显的领先优势。
• 可插拔布局分析：内置的布局模型可以在不丢失识别和阅读顺序能力的情况下进行替换。
• 速度优先设计：仅有 1.3B 参数，在 RTX PRO 6000 上实现了顶级的解析速度。
• 免费 API：无需注册即可快速测试（不建议用于生产环境）。