Китайский стартап SoMark, специализирующийся на интеллектуальной обработке документов, опубликовал в открытый доступ OXR (Optical Everything Recognition). Основная модель OXR-1.0 с 1,3 миллиарда параметров преобразует PDF-файлы и изображения документов в формат Markdown или JSON с указанием координат расположения элементов — данные, которые команда описывает как «дружественные для агентов». Код и веса доступны на GitHub, Hugging Face и ModelScope, также имеются онлайн-демо и бесплатный API.
Согласно официальному репозиторию, OXR занимает первое место в трех публичных бенчмарках: 97,18 в OmniDocBench, 87,84 в olmOCR-Bench и 87,76 в DocParsingBench, демонстрируя особенно значительное преимущество в распознавании таблиц. Команда публикует полные результаты и инструкции по воспроизведению в документации к бенчмаркам. В тесте на скорость, проведенном на одной карте RTX PRO 6000 Blackwell с 96 ГБ памяти, OXR обработал 100 случайно выбранных страниц OmniDocBench примерно за 101 секунду, в то время как PaddleOCR-VL-1.6 потребовалось около 145 секунд, а MinerU2.5-Pro — 255 секунд.
Модель распознает 13 типов элементов, включая текст, заголовки, таблицы, формулы, штампы, блоки кода, химические уравнения и химические структуры. Таблицы выводятся в формате HTML или Markdown, формулы — в LaTeX, химические уравнения — в синтаксисе mhchem, а молекулярные структуры — в виде SMILES-строк. Также определяется порядок чтения, что важно для многоколоночных статей, газет и экзаменационных листов, где правильно распознанные блоки могут быть собраны в неправильной последовательности.
Два конструктивных решения выделяются особенно. Во-первых, легковесная модель компоновки определяет области, в то время как основная модель обрабатывает распознавание контента и порядок чтения в одном шаге, устраняя отдельную стадию упорядочивания. SoMark утверждает, что является первой компанией, сделавшей модуль компоновки независимым и подключаемым, что позволяет бизнесу заменить его собственной моделью компоновки с другими категориями элементов или границами областей, сохраняя при этом возможности распознавания OXR. Во-вторых, посттренировка использует рекурсивный цикл самосовершенствования: OXR обрабатывает неразмеченные документы, внешние модели оценивают выходные данные и диагностируют ошибки, модель кластеризации группирует сбои по причинам, и для следующего раунда генерируются целевые обучающие данные без ручной разметки.
Команда сообщает, что репозиторий набрал более 1000 звезд на GitHub в первую неделю. Публикация статьи на arXiv ожидается в ближайшее время. Для разработчиков, создающих системы генерации с дополненным поиском (retrieval-augmented generation) или конвейеры агентов, OXR предлагает компактный, быстрый и открытый вариант для преобразования сложных документов в структурированный ввод.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
