Le secteur de l'analyse de documents accueille à nouveau un nouveau concurrent redoutable.
OXR est officiellement open source : le modèle principal ne compte que 1.3B de paramètres et arrive en tête des trois benchmarks OmniDocBench, olmOCR-Bench et DocParsingBench ; sa vitesse complète d'analyse dépasse également PaddleOCR-VL-1.6 et MinerU2.5-Pro, testés dans les mêmes conditions, plaçant ainsi à la première place à la fois la précision et l'efficacité d'un modèle léger.L'équipe SoMark qui se trouve derrière ce projet vient d'une startup chinoise, spécialisée dans le domaine de l'intelligence documentaire ; elle a précédemment continué à peaufiner ses capacités d'analyse autour de son produit phare SoMark, et lance aujourd'hui le modèle open source OXR.
Le nom complet de OXR est Reconnaissance optique de tout, de l'OCR à l'OXR, l'OXR doit traiter bien plus que du texte. Il peut analyser 13 types d'éléments documentaires tels que des tableaux, des formules et des formules chimiques, restituer avec précision l'ordre de lecture des mises en page multi-colonnes, sortir en Markdown / JSON et conserver les coordonnées de mise en page, transformant ainsi les documents complexes en données réutilisables par un Agent.
1 Analyse de haute précision, première place sur trois classements mondiaux
Selon les résultats d'évaluation publiés par l'équipe,l'OXR a obtenu respectivement 97,18, 87,84 et 87,76 points sur OmniDocBench, olmOCR-Bench et DocParsingBench, se classant premier sur chacun.
Au-delà des scores, le plus parlant est de voir comment l'OXR traite les documents complexes.
Pour un tableau avec des fusions de lignes et de colonnes, la reconnaissance correcte du texte n'est que la première étape. Si les relations entre lignes et colonnes ou les cellules fusionnées sont mal alignées, les chiffres peuvent correspondre aux mauvaises entrées. L'OXR peut préserver ces structures et sortir les tableaux en HTML, pour un affichage et un traitement ultérieurs.
Les difficultés sont encore plus denses dans les documents scientifiques : les formules mathématiques comportent des indices, exposants et structures imbriquées, et les contenus chimiques incluent des équations de réaction et des schémas de structures moléculaires. L'OXR sort les formules en LaTeX, les équations chimiques en mhchem et les structures chimiques en SMILES, transformant ces contenus d'images sur la page en expressions traitables.
Les articles multi-colonnes, les journaux et les sujets d'examen mettent également à l'épreuve l'ordre de lecture. Même si chaque zone est correctement reconnue, une lecture croisée des colonnes gauche et droite ou un mélange du corps de texte avec les notes marginales peut détruire le sens original. L'OXR détermine l'ordre de lecture tout en reconnaissant le contenu et fournit les coordonnées de mise en page, préservant la position du contenu dans la page.
Ces capacités constituent ensemble l'« Everything » de l'OXR : couvrant 13 types d'éléments documentaires tels que le texte, les tableaux, les formules, les structures chimiques et les blocs de code, il analyse les PDF et les images de documents en Markdown / JSON, pour être utilisés par des flux en aval tels que les Agents et le RAG.
2 Double SOTA en précision et en vitesse : non seulement précis, mais aussi rapide
Pour le traitement d'un seul document, une différence de quelques secondes n'est pas forcément perceptible ; lorsque la tâche devient l'ingestion en masse d'articles, l'organisation d'archives ou l'analyse de rapports de recherche, l'efficacité de traitement affecte directement le temps d'attente et l'occupation des ressources de calcul.
Selon les résultats de tests d'analyse complète dans des conditions identiques publiés par l'équipe, sur la même carte graphique RTX PRO 6000 Blackwell (96GB), pour l'analyse de 100 pages de documents tirées au hasard d'OmniDocBench,l'OXR prend en moyenne environ 101 secondes, tandis que PaddleOCR-VL-1.6 et MinerU2.5-Pro nécessitent respectivement environ 145 secondes et 255 secondes.
Petits paramètres, haute précision et grande vitesse : cette fois, tout cela réuni dans un même modèle.
Cela est dû à une conception astucieuse de l'OXR dans la répartition des tâches :un modèle léger d'analyse de mise en page localise les zones de contenu, puis le modèle principal effectue la reconnaissance du contenu et la détermination de l'ordre de lecture.
En intégrant l'ordonnancement dans la phase de reconnaissance du contenu, on réduit le surcoût d'un traitement séparé de l'ordre de lecture, et le modèle peut juger les relations de succession en s'appuyant sur la sémantique du contenu. C'est une conception architecturale de l'OXR conciliant qualité et efficacité de l'analyse.
3 RSI : une amélioration continue centrée sur les échantillons erronés et faibles
Derrière ces résultats éclatants, l'approche d'entraînement de l'OXR mérite également qu'on s'y attarde. Nous le savons, l'analyse de documents ne peut guère couvrir tous les problèmes avec un jeu d'échantillons fixe. Les scénarios, les langues et les mises en page changent constamment ; comment faire en sorte que le modèle produise de manière stable des résultats d'analyse fiables face à des documents complexes inédits ?
L'OXR introduit de manière innovantedans la phase de post-entraînement, pour la première fois, le paradigme d'entraînement de l'auto-amélioration récursive orientée vers l'analyse de documents (Recursive Self-Improvement, RSI),qui transforme les échantillons erronés et faibles de l'analyse en base pour le cycle d'entraînement suivant.
Ce processus peut être compris comme une « correction d'erreurs et remise à niveau » réalisée en collaboration par plusieurs modèles d'IA :
- OXR analyse d'abord les documents sans étiquettes et produit des résultats à évaluer.
- Des modèles externes jugent les résultats et analysent les causes d'erreur échantillon par échantillon, tandis qu'un modèle de clustering indépendant classe les problèmes par cause.
- Les modèles externes génèrent ensuite des données d'entraînement ciblées autour de ces problèmes, destinées au prochain cycle d'entraînement d'OXR.
Ainsi, la préparation des données d'entraînement bénéficie d'une orientation claire vers les problèmes : là où le modèle est faible, on ajoute des données, ce qui accélère le rythme d'itération du modèle. Par ailleurs,les données d'entraînement ajoutées dans cette boucle fermée ne nécessitent aucune annotation manuelle,ce qui permet également de dépasser le goulot d'étranglement d'efficacité lié à la préparation manuelle des documents.
4 Analyse de mise en page enfichable, adaptation métier plus flexible
Lorsqu'un modèle lit mal, il faut améliorer sa précision ; mais bien souvent, si les résultats d'analyse ne correspondent pas aux attentes, c'est parce que le métier définit différemment la structure des documents.
Par exemple, pour un même ensemble d'images, l'archivage de documents peut souhaiter les conserver dans leur ensemble, tandis que la recherche d'images nécessite une extraction image par image ; une zone contenant un titre, du texte et une bordure peut être décomposée en texte par certaines activités, tandis que d'autres préfèrent la traiter dans son ensemble comme un tableau. Les deux besoins peuvent être légitimes.
Pour répondre à cela, OXR conçoit l'analyse de mise en page comme un module indépendant et enfichable.
Vous pouvez utiliser directement le modèle d'analyse de mise en page intégré, ou connecter un autre modèle d'analyse de mise en page conforme à vos propres normes métier, ajuster les catégories d'éléments, les limites de zones et le regroupement du contenu, puis continuer à réutiliser les capacités de reconnaissance de contenu et de détermination de l'ordre de lecture d'OXR.
Pour les développeurs qui construisent des RAG, des agents et des flux de travail documentaires, OXR offre sans aucun doute une option open source qui concilie précision d'analyse, vitesse de traitement et capacité d'adaptation à la mise en page.
À l'heure actuelle, OXR a ouvert son code et ses poids de modèles, et propose une démo en ligne ainsi qu'une API gratuite, permettant aux développeurs de vérifier directement les résultats avec de vrais documents :
- Dépôt de code GitHub : https://github.com/SoMarkAI/OXR
- Poids de modèles Hugging Face : https://huggingface.co/SoMarkAI/OXR-1.0
- Démo en ligne : https://free-oxr.somark.cn/
- API gratuite : https://free-oxr.somark.cn/api/v1
Les équipes ayant des besoins plus avancés d'analyse documentaire de niveau production peuvent également découvrir SoMark, un moteur d'analyse de documents piloté par un modèle indépendant, créé par la même équipe.
Site officiel de SoMark : https://somark.cn/
De SoMark à OXR, cette équipe ouvre aux développeurs la précieuse expérience accumulée au fil de ses longues explorations et de sa pratique, ce qui traduit leur orientation de valeurs : faire des connaissances contenues dans les documents des données de haute qualité utilisables par l'IA, pour pénétrer davantage de scénarios d'affaires réels.
Cet article a été fourni par l'équipe SoMark ; Quantum Bit (QbitAI) l'a republié avec autorisation, et les opinions exprimées appartiennent à l'auteur d'origine.