Im Bereich der Dokumentenanalyse gibt es nun wieder einen starken neuen Mitbewerber.
OXR ist offiziell Open Source: Das Hauptmodell hat nur 1.3B Parameter und belegte in allen drei Benchmarks – OmniDocBench, olmOCR-Bench und DocParsingBench – den ersten Platz; die Geschwindigkeit der vollständigen Analyse übertrifft zudem die ebenfalls getesteten PaddleOCR-VL-1.6 und MinerU2.5-Pro und führt damit Präzision und Effizienz leichtgewichtiger Modelle gleichzeitig an die Spitze.Das Team hinter OXR, SoMark, stammt von einem chinesischen Startup, das sich auf Dokumentenintelligenz spezialisiert hat und zuvor kontinuierlich die Analysefähigkeiten seines Kernprodukts SoMark verfeinert hat – nun wurde das Open-Source-Modell OXR vorgestellt.
Die vollständige Bezeichnung von OXR lautet Optical Everything RecognitionVon OCR zu OXR – OXR soll weit mehr als nur Text verarbeiten. Es kann 13 Arten von Dokumentenelementen wie Tabellen, Formeln und chemische Formeln analysieren, die Lesereihenfolge mehrspaltiger Layouts korrekt wiedergeben, Markdown / JSON ausgeben und Layoutkoordinaten beibehalten, sodass komplexe Dokumente zu Daten werden, die ein Agent weiterverwenden kann.
1 Hochpräzise Analyse, Platz 1 auf drei globalen Bestenlisten
Laut den vom Team veröffentlichten Bewertungsergebnissenerreichte OXR auf OmniDocBench, olmOCR-Bench und DocParsingBench 97.18, 87.84 bzw. 87.76 Punkte und belegte jeweils den ersten Platz.
Abgesehen von den Punktzahlen zeigt sich anschaulicher, wie OXR komplexe Dokumente verarbeitet.
Bei einer Tabelle mit verbundenen Zeilen und Spalten ist die korrekte Texterkennung nur der erste Schritt. Verschieben sich Zeilen-Spalten-Beziehungen oder verbundene Zellen, können Zahlen falschen Posten zugeordnet werden. OXR kann diese Strukturen beibehalten und die Tabelle als HTML ausgeben, um sie anschließend anzuzeigen und weiterzuverarbeiten.
Bei wissenschaftlichen Dokumenten sind die Schwierigkeiten noch dichter: Mathematische Formeln haben hoch- und tiefgestellte Zeichen sowie verschachtelte Strukturen, chemische Inhalte enthalten zudem Reaktionsgleichungen und Molekülstrukturbilder. OXR gibt Formeln als LaTeX aus, chemische Gleichungen in mhchem-Schreibweise und chemische Strukturformeln als SMILES, wodurch diese Inhalte von Grafiken auf der Seite zu weiterverarbeitbaren Ausdrücken werden.
Mehrspaltige Aufsätze, Zeitungen und Prüfungsfragen stellen zudem die Lesereihenfolge auf die Probe. Selbst wenn jeder Bereich korrekt erkannt wird, zerstören ein vertauschtes Lesen der Spalten oder eine Vermischung von Haupttext und Randnotizen die Bedeutung des Originals. OXR ermittelt beim Erkennen der Inhalte zugleich die Lesereihenfolge und liefert Layoutkoordinaten, die die Position der Inhalte auf der Seite bewahren.
Diese Fähigkeiten bilden gemeinsam das „Everything“ von OXR: Sie umfassen 13 Arten von Dokumentenelementen wie Text, Tabellen, Formeln, chemische Strukturformeln und Codeblöcke und analysieren PDFs und Dokumentbilder in Markdown / JSON, um sie für nachgelagerte Prozesse wie Agenten und RAG nutzbar zu machen.
2 Doppelte SOTA bei Präzision und Geschwindigkeit: nicht nur genau, sondern auch schnell
Bei der Verarbeitung eines einzelnen Dokuments sind Unterschiede von wenigen Sekunden kaum spürbar; wird die Aufgabe jedoch zum Massenimport von Aufsätzen, zur Archivsortierung oder zur Analyse von Forschungsberichten, wirkt sich die Verarbeitungseffizienz direkt auf Wartezeiten und Rechenlast aus.
Laut den vom Team veröffentlichten Testergebnissen für die vollständige Analyse unter gleichen Bedingungen dauerte die Analyse von 100 zufällig aus OmniDocBench entnommenen Dokumentseiten auf derselben Grafikkarte RTX PRO 6000 Blackwell (96 GB):OXR brauchte im Durchschnitt etwa 101 Sekunden, während PaddleOCR-VL-1.6 und MinerU2.5-Pro etwa 145 bzw. 255 Sekunden benötigten.
Kleine Parameterzahl, hohe Präzision und hohe Geschwindigkeit – diesmal vereint in einem einzigen Modell.
Das verdankt OXR einem geschickten Design bei der Aufgabenverteilung:Ein leichtgewichtiges Layoutanalysemodell lokalisiert die Inhaltsbereiche, und das Hauptmodell übernimmt die Inhaltserkennung und die Bestimmung der Lesereihenfolge.
Indem die Sortierung in die Phase der Inhaltserkennung integriert wird, sinkt der Mehraufwand einer separaten Verarbeitung der Lesereihenfolge, und das Modell kann die Reihenfolge anhand der inhaltlichen Semantik beurteilen. Dies ist eine Architekturentscheidung von OXR, um Analysequalität und Effizienz zu vereinen.
3 RSI: Kontinuierliche Verbesserung anhand von Fehl- und schwachen Beispielen
Hinter den beeindruckenden Ergebnissen lohnt sich auch ein Blick auf den Trainingsansatz von OXR. Wir wissen alle, dass die Dokumentenanalyse mit einem festen Beispieleset kaum alle Probleme abdecken kann. Szenarien, Sprachen und Layouts verändern sich ständig – wie lässt sich sicherstellen, dass das Modell auch bei nie gesehenen, komplexen Dokumenten stabil zuverlässige Analyseergebnisse liefert?
OXR führt innovativin der Nachtrainingsphase erstmals ein auf die Dokumentenanalyse ausgerichtetes rekursives Selbstverbesserungs-Trainingsparadigma (Recursive Self-Improvement, RSI)ein, das Fehl- und schwache Beispiele aus der Analyse zur Grundlage der nächsten Trainingsrunde macht.
Dieser Ablauf lässt sich als ein „Fehlerfinden und Nachhilfegeben“, das von mehreren KI-Modellen gemeinsam durchgeführt wird, verstehen:
- OXR analysiert zunächst etikettierungsfreie Dokumente und erzeugt daraus zu bewertende Ergebnisse.
- Ein externes Modell beurteilt die Ergebnisse, analysiert pro Stichprobe die Fehlerursachen, und ein unabhängiges Clustering-Modell ordnet die Probleme nach Ursache in Kategorien ein.
- Ein externes Modell generiert gezielt Trainingsdaten zu diesen Problemen, die für die nächste Trainingsrunde von OXR verwendet werden.
Damit erhält die Aufbereitung der Trainingsdaten eine klare problemspezifische Ausrichtung: Wo das Modell schwach ist, werden genau dort Daten ergänzt, was das Tempo der Modelliteration beschleunigt. Gleichzeitigmüssen die im Regelkreis neu hinzugefügten Trainingsdaten nicht manuell etikettiert werden,wodurch auch der Effizienzengpass durch manuell erstellte Materialien durchbrochen wird.
4 Steckbare Layoutanalyse für eine flexiblere Anpassung an Geschäftsanforderungen
Wenn das Modell falsch liest, muss die Genauigkeit verbessert werden; doch vielfach entspricht das Analyseergebnis nicht den Erwartungen, weil das Geschäft den Dokumentaufbau anders definiert.
Beispielsweise möchte man bei derselben Bildgruppe für die Archivierung möglicherweise alles als Ganzes behalten, während die Bildsuche jedes Bild einzeln extrahieren muss; ein Bereich mit Titel, Text und Rahmen wird von manchen Geschäften nach Text aufgeteilt, von anderen soll er als Ganzes als Tabelle behandelt werden. Beide Anforderungen können gleichermaßen berechtigt sein.
Dazu entwirft OXR die Layoutanalyse als eigenständiges, steckbares Modul.
Du kannst entweder das integrierte Layoutanalysemodell direkt verwenden oder ein anderes Layoutanalysemodell anschließen, das deinen eigenen Geschäftsstandards entspricht, Elementkategorien, Bereichsgrenzen und Inhaltsgruppierungen anpassen und anschließend die Fähigkeiten von OXR zur Inhaltserkennung und Bestimmung der Lesereihenfolge weiter wiederverwenden.
Für Entwickler, die RAG, Agents und Dokumenten-Workflows aufbauen, bietet OXR zweifellos eine Open-Source-Option, die Analysegenauigkeit, Verarbeitungsgeschwindigkeit und Layout-Anpassungsfähigkeit vereint.
Derzeit sind Code und Modellgewichte von OXR veröffentlicht, und es gibt eine Online-Demo sowie eine kostenlose API, mit denen Entwickler die Leistung direkt mit echten Dokumenten prüfen können:
- GitHub-Repository: https://github.com/SoMarkAI/OXR
- Modellgewichte auf Hugging Face: https://huggingface.co/SoMarkAI/OXR-1.0
- Online-Demo: https://free-oxr.somark.cn/
- Kostenlose API: https://free-oxr.somark.cn/api/v1
Teams mit weitergehenden Anforderungen an Dokumentenanalyse auf Produktionsniveau können sich auch SoMark ansehen, eine von einem unabhängigen Modell angetriebene Dokumentenanalyse-Engine desselben Teams.
SoMark-Website: https://somark.cn/
Von SoMark bis OXR öffnet dieses Team Entwicklern den Zugang zu wertvollen Erfahrungen aus seiner langjährigen Exploration und Praxis und vermittelt damit seine Werteorientierung: Wissen in Dokumenten soll zu hochwertigen, für KI nutzbaren Daten werden und in mehr echte Geschäftsszenarien Einzug halten.
Dieser Artikel wurde vom SoMark-Team bereitgestellt; QbitAI hat ihn mit Genehmigung nachgedruckt. Die Ansichten liegen beim ursprünglichen Autor.