1.3B开源模型OXR冲上三项文档解析榜首，RSI为何成为关键

文档解析一直是生成式AI基础设施中的“脏活累活”：文字识别只是第一步，真正困难的是恢复阅读顺序、表格结构、公式语义以及图文之间的关系。一个PDF如果被拆成顺序混乱的文本，后续的RAG检索和Agent调用即使使用更强的语言模型，也可能建立在错误上下文之上。

近期开源的OXR，将目标从传统OCR扩展到“识别一切文档元素”。据项目方介绍，模型参数规模约为1.3B，覆盖表格、公式、代码块、图片、化学结构、脚注、页眉页脚和印章等内容，并可将结果整理为结构化Markdown，公式则可输出为LaTeX。项目方公布的测试结果显示，OXR在OmniDocBench、olmOCR-Bench和DocParsingBench上分别取得97.18、87.84和87.76分，位列三个榜单第一。以上数据来自项目介绍，实际表现仍应结合评测版本、硬件和调用配置复核。

核心看点包括：

• 小模型定位明确：OXR并非试图替代通用大语言模型，而是集中解决文档内容识别和结构恢复问题。
• RSI用于后训练：系统先处理大量无标签文档，再借助通用视觉语言模型将样本划分为正确、错误和不确定，并通过多次采样识别不稳定案例。
• 从错误追溯原因：团队会对失败样本进行归因，将问题聚类为跨行跨列、手写识别或视觉扰动敏感等类型，再生成针对性训练数据。
• 架构强调可插拔：版面分析模块与识别、阅读顺序模块分离，业务方可以替换前端布局模型，保留后端内容解析能力。

这套思路的关键不只是“让模型自己打分”，而是把错误发现、原因分析、数据构造和再训练连成闭环。对于文档解析而言，许多答案具有相对明确的结构约束，因此自动评判比开放式文本生成更容易落地。不过，自动生成数据也可能放大评判模型的偏差，尤其是在专业公式、复杂表格和长尾版式上，仍需要人工抽检与独立基准验证。

效率方面，项目方称，在单张RTX PRO 6000上完成100页文档端到端解析约需101秒。OXR采用轻量版面分析模型加主模型识别与阅读顺序判断的组合，试图避免端到端自回归模型输出长序列带来的速度瓶颈。项目同时提供代码、权重、评测流程、在线Demo和免费API，并支持通过Docker或推理框架进行部署。

OXR的意义在于，它把OCR从“把图片变成文字”推进到“把文档还原成可供机器使用的结构化资产”。如果其评测结果能够被稳定复现，类似方法有望降低企业知识库、科研资料和业务档案接入AI系统的门槛。但在实际采用前，开发者仍应重点检查隐私、服务稳定性、复杂中文文档准确率以及不同硬件上的吞吐表现。

来源：量子位