做文档解析的模型，主流要 8B、14B 起步。
OXR 只用了 1.3B。
10 月 5 号开源，SoMark 团队做的，现在 1155 Star。
三大基准全拿第一，olmOCR-Bench、OmniDocBench、DocParsingBench。开源模型里，它解析速度也最快。
它把 PDF 和文档图转成 Markdown 或 JSON，带布局坐标，直接喂给 Agent。
1.3B 小模型，三榜第一，免费 API 直接调。
▲ OXR 仓库，1.3B 参数，三大文档解析基准第一。
0101 它解决什么
你想把 PDF、扫描件、试卷喂给 AI Agent 当资料库。
第一步永远是解析，把版式、表格、公式、图片位置都抽出来，变成结构化的 Markdown 或 JSON。
现在做这步有三个痛点。
模型大。 主流文档解析模型动辄 8B、14B，本地跑不动，云端调用贵。
布局写死。 大多数工具把版面分析焊死在识别模型里，换一套文档就得重训整套。
后训练靠人工标注。 错一个样本，人工标一遍，标注成本随规模涨。
OXR 把这三点都处理了。
1.3B 小模型，布局分析独立成可插拔模块，后训练用 RSI 自改进，模型自己找错样本补，不靠人工标注。
0202 它怎么做到 SOTA
2.1 双模型架构，布局分析可插拔
OXR 内部是两个模型分工：版面分析模型 + OXR 识别模型。
版面分析模块单独拆开，你可以换成自己训练的布局模型，识别和阅读顺序能力不变。
这是它设计上最有想象力的一点。
版面分析是最随场景变的。同样一份财报，做财务分析要拆出表格区，做归档要保留原文顺序。OXR 把这块做成接口，你换模型不用动主流程。
▲ 版面分析模型和识别模型各自可插拔，数据在中间流动。
2.2 RSI 自改进后训练
后训练阶段不靠人工标注。
模型先跑一遍，把识别弱的样本筛出来，喂回自己再训，循环往复。
注意，RSI 不是"模型训练完自己改代码"，是在固定架构下自动找弱点再补。
迭代速度比人工标注快一大截。
▲ RSI 循环：跑 → 找弱样本 → 补训 → 再跑，不靠人工标注。
2.3 13 类文档元素全认
正文之外，公式、化学式、代码块、表格、印章、手写体都识别，坐标齐全。
A3 试卷、复杂多栏这种难版面也测过。
▲ olmOCR-Bench、OmniDocBench、DocParsingBench 三张榜单成绩。
0303 免费 API 怎么调
这是它上手最快的地方，不用申请 key，不用注册，curl 一条命令就调。
curl --fail-with-body https://free-oxr.somark.cn/api/v1/parse/sync \
-F 'file=@document.pdf' \
-F 'api_key=***' \
-F 'output_formats=markdown'
API 兼容 SoMark 官方 CLI，pip install somark 装好直接改 base URL。
somark --base-url https://free-oxr.somark.cn/api/v1 --api-key *** \
parse document.pdf --formats md,json --out ./parsed-output/
官方明说，免费 API 不保证稳定性，请求会排队，生产环境走本地部署。
0404 本地部署
硬件门槛不高。
NVIDIA GPU 24GB 显存起步，48GB 推荐，跑长文档 48GB 更稳。操作系统要 Linux，驱动支持 CUDA 13.0，Python 3.12。
git clone https://github.com/SoMarkAI/OXR.git
cd OXR
hf download SoMarkAI/OXR-1.0 --local-dir ./models/OXR-1.0
三种启动方式，按需选。
Docker 一键。docker build + run，最省事。
三服务拆分。 OXR 模型、版面分析、解析 API 各占一个进程，适合精细控制资源。
vLLM 推理。 官方 vLLM 还没原生支持，SoMark 给了个插件，vllm==0.25.1 直接用。
本地跑起来后访问 http://localhost:8000/demo，网页传 PDF 出结果，能看 Markdown 预览、布局框、阅读顺序。
实际用法，丢一份 50 页的财报进去，出来的 JSON 里每个表格、每个图的位置坐标都在。喂给 RAG 之前省掉整条版面分析链路。
0505 适合谁
适合。
想把 PDF 或扫描件批量转成 Agent 可消费数据的团队，免费 API 就能开始验证效果。
做 RAG、知识库、文档问答的产品，正缺底层文档解析能力。
需要自定义版面分析的开发者，可插拔设计比写死方案灵活。
显存只有 24GB 还想跑文档解析的个人，1.3B 参数刚好够。
不适合。
需要生产级 SLA 的场景。
要识别 13 类以外特殊元素的，比如医学影像、地图，得自己扩展。
在意 license 的商用项目。仓库协议是 NOASSERTION，非 MIT 或 Apache，商用前先把 LICENSE 文件通读一遍。
06写在最后
文档解析一直是 AI 工具链里偏脏的环节，没人愿意碰。
OXR 用 1.3B 的参数量做出三榜第一。可插拔布局、RSI 自改进、免费 API。
你手上有几百份 PDF 想喂给 Agent，先拿这个试一下。
