登顶三项基准且解析提速3倍！SoMark重磅开源1.3B文档大模型OXR：首创RSI递归自我改进闭环、13类全要素解析与Agent友好输出全景技术拆解

💡 站外导读：在多智能体（Agent）工作流与企业级 RAG 检索增强架构中，非结构化文档（PDF、扫描件与报表图像）的解析质量直接决定了下游逻辑推理的生死线。传统 OCR 往往只输出散落字符，彻底丢失了版面边界坐标（Bounding Box）与跨栏自然阅读顺序，更在处理复杂学术表格与生化方程式时频频发生崩溃。近日，守扣科技（SoMark）正式开源 1.3B 轻量级文档解析大模型 OXR，不仅首创面向文档解析的 RSI（递归自我改进）后训练闭环，更在 OmniDocBench、olmOCR-Bench 及 DocParsingBench 三大权威基准中力拔头筹，为 AI 智能体体系打通了结构化数据的高速入库通道。

一、 破解 Agent 数据痛点：从离散文字识别到全要素结构化解析

在当前大语言模型与自主智能体（Agent）高速落地的背景下，企业私域知识库与行业分析系统普遍遭遇了“输入端瓶颈”。学术论文、财务财报、政府公文及专利文件中，充斥着复杂的双栏排版、多层嵌套表格、行内数学公式以及化学反应分子式。传统 OCR 方案仅仅聚焦于“字级或词级的像素识别”，导致以下三大致命短板：

• 版面逻辑与阅读顺序割裂：在多栏排版或带有插图环绕的 PDF 中，传统工具往往按横向扫描暴力拼接文本，导致跨栏内容被混杂在一起，彻底破坏上下文连贯性；
• 高维复杂元素表达失效：对于跨页表格、无边框表格、LaTeX 数学公式与化学结构式，传统方案大多直接退化为乱码或缺失，无法供下游大模型直接解析；
• 下游 Agent 无法直接消费：输出缺乏精准的像素级边界坐标（Bounding Box）与标准化的 Markdown / JSON 语法树，智能体无法据此执行精准定位与视觉指引。

针对这一行业顽疾，SoMark 团队推出的 1.3B 端到端文档解析模型 OXR（Open eXtended Representation），从一开始便确立了“面向 Agent 消费”的设计目标，将原始 PDF 和文档图像直接转化为带有语义边界框与精准自然阅读顺序的标准化结构化流。

二、 核心技术架构：轻量版面分析与 OXR 主模型的双阶协同机制

为了在极端复杂的工业场景中兼顾精度与极致吞吐，OXR 摒弃了简单粗暴的单体大模型直接生成，而是采用了高效解耦的双阶可插拔架构（Two-Stage Pluggable Architecture）：

• 第一阶段：轻量化 Layout Analysis 模型（区域高精定位）
  负责对整页文档进行快速全局语义分割与版面检测，精确圈定文本块、表格区、公式栏、代码块及图表标题的像素边界框。该模块经过高度轻量化设计，可按需热插拔或替换为企业私有的特定版面检测器；
• 第二阶段：OXR 1.3B 核心感知模型（内容识别与阅读顺序联合推理）
  在定位区域的基础上，OXR 核心模型在一个统一的识别阶段内同步完成两项关键任务：一是将区域像素转换为对应的 Markdown 语义（如标准 LaTeX 公式、GFM 规范表格或代码块），二是利用全局语义拓扑联合推断自然的阅读逻辑顺序，彻底免去了额外设计重排序（Re-ordering）模型的计算开销。

三、 RSI 递归自我改进闭环：错样本驱动的自进化训练范式

OXR 在 1.3B 极小参数体量下能够反超更大体量开源模型的秘诀，在于其创新的后训练阶段 RSI（Recursive Self-Improvement，递归自我改进）闭环机制。传统的文档模型微调高度依赖耗时耗力的人工精细标注，难以穷尽海量畸变与排版边界情况。

OXR 构建了一套由多个专业判别模型协同构成的自动化质检飞轮：

1. 弱样本与难例自动嗅探：利用独立检验器在海量非标注文档中对解析结果进行一致性校验与拓扑自检，自动圈定解析置信度低、表格行列对齐异常或阅读顺序冲突的“弱样本”；
2. 反思式策略生成：由更高层级的裁判模型对识别失误进行细粒度归因（如阴影干扰、字符重叠、多栏穿透），自动合成对抗性训练样本与特定数据增强策略；
3. 端到端闭环增量演进：将合成修正数据重新注入模型训练集，使 1.3B 小模型在无需人工标注介入的情况下，持续自我修补漏洞，实现模型能力的几何级跃迁。

四、 权威基准实测与同类主流竞品全维横向评测

官方公布了在英伟达 RTX PRO 6000 硬件平台下的基准测试数据，在涵盖 OmniDocBench、olmOCR-Bench 及 DocParsingBench 的三大公开评测中，OXR 展现出断层式的速度与精度优势：

五、 生产级工程部署与多方式接入全流程指南

为满足不同基础设施环境的快速落地需求，SoMark 官方提供了开箱即用的容器镜像与源码部署方案：

1. All-in-One 容器化极速启动：官方封装了标准 Dockerfile，挂载预下载的 BF16 权重后，单容器即可拉起全部解析后端：

   docker run -d --gpus all -p 8000:8000 -v /data/models/oxr-1.0:/models somarkai/oxr:latest

   📋 一键复制 Prompt 咒语

   容器就绪后直接暴露 OpenAPI 标准 Swagger 接口（/docs）及可视化调试 Demo（/demo）；

2. 微服务分布式解耦部署：对于千万级日解析量的企业中台，可将 Layout Analysis Service 与 OXR Core Service 分开独立编排，前者调度于低成本 CPU 或轻量级推理卡，后者集中调度于高性能 GPU 集群，实现算力资源极致压榨；
3. SDK 与 CLI 原生集成：深度兼容 somark-py 与 somark-js，支持一键切换 Base URL 进行私有化平滑迁移，无缝嵌入 LangChain、LlamaIndex 等现代 RAG 框架。