El sector de análisis de documentos recibe de nuevo a un nuevo competidor muy potente.
OXR se lanza oficialmente como código abierto: el modelo principal tiene solo 1.3B de parámetros y ha alcanzado el primer puesto en las tres pruebas de referencia OmniDocBench, olmOCR-Bench y DocParsingBench; además, su velocidad de análisis completo superó a PaddleOCR-VL-1.6 y MinerU2.5-Pro, que participaron en las mismas pruebas, llevando tanto la precisión como la eficiencia de los modelos ligeros a lo más alto del ranking.El equipo de SoMark que está detrás proviene de una startup nacional, especializada en el campo de la inteligencia documental, que anteriormente ha perfeccionado continuamente sus capacidades de análisis en torno a su producto principal SoMark, y ahora ha lanzado el modelo de código abierto OXR.
El nombre completo de OXR es Reconocimiento óptico de todo, desde OCR hasta OXR, y OXR debe procesar mucho más que texto. Puede analizar 13 tipos de elementos documentales, como tablas, fórmulas y expresiones químicas, reconstruir con precisión el orden de lectura de diseños multicolumna, generar Markdown / JSON y conservar las coordenadas del diseño, convirtiendo documentos complejos en datos que un Agent puede seguir utilizando.
1 Análisis de alta precisión, número uno en los tres rankings mundiales
Según los resultados de las evaluaciones publicados por el equipo,OXR obtuvo puntuaciones de 97.18, 87.84 y 87.76 en OmniDocBench, olmOCR-Bench y DocParsingBench respectivamente, ocupando el primer lugar en todos ellos.
Más allá de las puntuaciones, una forma más intuitiva de verlo es cómo OXR maneja documentos complejos.
En una tabla que abarca varias filas y columnas, el reconocimiento correcto del texto es solo el primer paso. Si las relaciones entre filas y columnas o las celdas combinadas se descuadran, un número puede corresponder al elemento equivocado. OXR puede conservar estas estructuras y exportar la tabla como HTML para su posterior visualización y procesamiento.
Los puntos difíciles en los documentos de investigación son aún más densos: las fórmulas matemáticas tienen superíndices, subíndices y estructuras anidadas, y los contenidos de química incluyen además reacciones y diagramas de estructuras moleculares. OXR emite las fórmulas en LaTeX, las ecuaciones químicas en mhchem y las estructuras químicas en SMILES, convirtiendo estos contenidos de gráficos en la página en expresiones que pueden seguir procesándose.
Los artículos de varias columnas, los periódicos y los exámenes también ponen a prueba el orden de lectura. Incluso si cada región se reconoce correctamente, leer entrelazadas las columnas izquierda y derecha o mezclar el cuerpo del texto con las notas al margen puede alterar el significado original. OXR determina el orden de lectura al mismo tiempo que reconoce el contenido y proporciona las coordenadas del diseño, conservando la posición del contenido en la página.
Estas capacidades constituyen en conjunto el "Everything" de OXR: cubre 13 tipos de elementos documentales, incluyendo texto, tablas, fórmulas, estructuras químicas y bloques de código, y convierte PDF e imágenes de documentos en Markdown / JSON para su uso en procesos posteriores como Agent y RAG.
2 Doble SOTA en precisión y velocidad: no solo preciso, sino también rápido
El procesamiento de un solo documento puede no mostrar diferencias evidentes en cuestión de segundos; cuando la tarea se convierte en ingreso masivo de artículos a una base de datos, organización de archivos o análisis de informes de investigación, la eficiencia de procesamiento afecta directamente el tiempo de espera y el consumo de recursos de cómputo.
Según los resultados completos de pruebas de análisis en las mismas condiciones publicados por el equipo, en la misma tarjeta gráfica RTX PRO 6000 Blackwell (96GB), el análisis de 100 páginas de documentos extraídas aleatoriamente de OmniDocBench,OXR tardó en promedio unos 101 segundos, mientras que PaddleOCR-VL-1.6 y MinerU2.5-Pro requirieron respectivamente unos 145 y 255 segundos.
Parámetros pequeños, alta precisión y alta velocidad: esta vez aparecieron en un mismo modelo.
Esto se debe a un astuto diseño de OXR en la división de tareas:El área de contenido se localiza mediante un modelo ligero de análisis de página y, a continuación, el modelo principal se encarga del reconocimiento del contenido y de la determinación del orden de lectura.
Al fusionar la ordenación en la etapa de reconocimiento de contenido, se reduce la sobrecarga adicional de procesar por separado el orden de lectura, y también permite que el modelo juzgue la relación de precedencia combinando la semántica del contenido. Esto es OXR Equilibrar la calidad y la eficiencia del análisisde un diseño de arquitectura.
3 RSI: mejora continua centrada en muestras erróneas y muestras débiles
Detrás de los brillantes resultados, la filosofía de entrenamiento de OXR también merece atención. Todos sabemos que el análisis de documentos difícilmente puede cubrir todos los problemas con un conjunto fijo de muestras. Los escenarios, los idiomas y los diseños cambian constantemente; ¿cómo lograr que el modelo, ante documentos complejos que nunca ha visto, también genere de manera estable resultados de análisis fiables?
OXR innova de manera creativaIntroduce por primera vez en la fase de postentrenamiento la autoevaluación recursiva (Recursive Self-Improvement, RSI) orientada al análisis de documentosparadigma de entrenamiento, convirtiendo las muestras erróneas y las muestras débiles del análisis en la base de la siguiente ronda de entrenamiento.
Este flujo puede entenderse como un proceso de "detección de errores y refuerzo" completado mediante la colaboración de varios modelos de IA:
- OXR primero analiza documentos sin etiquetas y genera resultados pendientes de evaluación.
- Los modelos externos juzgan los resultados, analizan las causas de los errores muestra por muestra, y un modelo de clustering independiente clasifica los problemas según su causa.
- Los modelos externos generan datos de entrenamiento de manera dirigida en torno a estos problemas, para usarlos en la siguiente ronda de entrenamiento de OXR.
De este modo, la preparación de los datos de entrenamiento adquiere una orientación clara hacia los problemas: donde el modelo sea más débil, se agregan datos en torno a ese punto, acelerando el ritmo de iteración del modelo. Al mismo tiempo,los nuevos datos de entrenamiento añadidos al ciclo cerrado no requieren anotación manual,lo que también supera el cuello de botella de eficiencia que implica la preparación manual de materiales.
4 Análisis de maquetación conectable, mayor flexibilidad de adaptación al negocio
Cuando el modelo lee mal, es necesario mejorar la precisión; pero en muchos casos, el resultado del análisis no cumple las expectativas porque el negocio define de manera diferente la estructura del documento.
Por ejemplo, con un mismo conjunto de imágenes, el archivo de documentos quizá prefiera conservarlas en conjunto, mientras que la búsqueda de imágenes requiere extraerlas una por una; una región que contiene un título, texto y un borde, para algunos negocios se divide como texto, y para otros se desea tratarla en su totalidad como una tabla. Ambas necesidades pueden ser razonables.
Ante esto, OXR diseña el análisis de maquetación como un módulo independiente y conectable.
Puedes usar directamente el modelo de análisis de maquetación incorporado, o bien integrar otros modelos de análisis de maquetación que se ajusten a los estándares de tu propio negocio, ajustar las categorías de elementos, los límites de las regiones y la agrupación del contenido, y luego seguir reutilizando las capacidades de OXR de reconocimiento de contenido y determinación del orden de lectura.
Para los desarrolladores que construyen flujos de trabajo de RAG, Agentes y documentos, OXR ofrece sin duda una opción de código abierto que equilibra la precisión del análisis, la velocidad de procesamiento y la capacidad de adaptación al diseño.
Actualmente, OXR ha liberado su código y los pesos del modelo, y ofrece una Demo en línea y una API gratuita, para que los desarrolladores puedan comprobar directamente los resultados con documentos reales:
- Repositorio de código en GitHub: https://github.com/SoMarkAI/OXR
- Pesos del modelo en Hugging Face: https://huggingface.co/SoMarkAI/OXR-1.0
- Demo en línea: https://free-oxr.somark.cn/
- API gratuita: https://free-oxr.somark.cn/api/v1
Los equipos con más necesidades de análisis de documentos a nivel de producción también pueden conocer SoMark, un motor de análisis de documentos impulsado por un modelo independiente creado por el mismo equipo.
Sitio web oficial de SoMark: https://somark.cn/
De SoMark a OXR, este equipo abre a los desarrolladores la valiosa experiencia acumulada en su larga exploración y práctica, transmitiendo así su orientación de valores: convertir el conocimiento contenido en los documentos en datos de alta calidad utilizables por la IA, para que llegue a más escenarios empresariales reales.
Este artículo fue proporcionado por el equipo de SoMark; QbitAI lo reproduce con autorización, y las opiniones pertenecen al autor original.