문서 parsing 분야에 또 한 명 강력한 신규 참가자가 등장했다.
OXR이 정식 오픈소스로 공개되었다: 메인 모델은 단 1.3B 파라미터에 불과하며, OmniDocBench, olmOCR-Bench, DocParsingBench 세 가지 벤치마크에서 모두 정상을 차지했고, 전체 parsing 속도 또한 같은 자리에서 참가한 PaddleOCR-VL-1.6과 MinerU2.5-Pro를 앞질러 경량 모델의 정확도와 효율을 동시에 정상에 올려놓았다.그 배후의 SoMark 팀은 중국의 한 스타트업 출신으로, 문서 지능 분야에 깊이 몰두해 왔으며, 이전부터 핵심 제품 SoMark를 중심으로 parsing 능력을 다듬어 왔고, 이번에 오픈소스 모델 OXR을 선보였다.
OXR의 정식 명칭은 Optical Everything Recognition이다. OCR에서 OXR로, OXR이 처리해야 할 대상은 텍스트에 그치지 않는다. OXR은 표, 수식, 화학식 등 13类 문서 요소를 parsing하고, 다단 레이아웃의 읽기 순서를 정확하게 복원하며, Markdown / JSON을 출력하고 레이아웃 좌표까지 유지하여, 복잡한 문서를 Agent가 계속 활용할 수 있는 데이터로 만든다.
1 고정밀 parsing, 글로벌 3개 벤치마크 1위
팀이 공개한 평가 결과에 따르면,OXR은 OmniDocBench, olmOCR-Bench, DocParsingBench에서 각각 97.18점, 87.84점, 87.76점을 기록하며 모두 1위에 올랐다.
점수 외에 더 직관적인 것은 OXR이 복잡한 문서를 어떻게 처리하는지 보는 것이다.
행과 열이 교차하는 표에서는 문자 인식이 정확한 것이 첫 번째 단계일 뿐이다. 행렬 관계나 병합된 셀 하나만 어긋나도 숫자가 잘못된 항목에 대응할 수 있다. OXR은 이러한 구조를 유지하고 표를 후속 표시와 처리를 위한 HTML로 출력할 수 있다.
연구 문서의 난점은 더 밀집되어 있다. 수학 수식에는 위첨자·아래첨자와 중첩 구조가 있고, 화학 내용에는 반응식과 분자 구조 그림도 있다. OXR은 수식을 LaTeX으로 출력하고, 화학 반응식은 mhchem으로, 화학 구조식은 SMILES로 표현하여, 이러한 내용이 페이지 위의 그림에서 계속 처리 가능한 표현으로 바뀌게 한다.
다단 논문, 신문, 시험지는 읽기 순서도 시험한다. 각 영역이 모두 정확하게 인식되었더라도 좌우 단이 교차하여 읽히거나 본문과 각주가 섞이면 원문의 의미가 훼손된다. OXR은 내용을 인식하는 동시에 읽기 순서를 판단하고, 레이아웃 좌표를 제공하여 내용이 페이지에서 차지하는 위치를 유지한다.
이러한 능력이 함께 OXR의 “Everything”을 구성한다. 텍스트, 표, 수식, 화학 구조식, 코드 블록 등 13类 문서 요소를 포괄하며, PDF와 문서 이미지를 Markdown / JSON으로 parsing하여 Agent, RAG 등 후속 파이프라인에서 활용할 수 있게 한다.
2 정확도와 속도의 더블 SOTA: 정확할 뿐 아니라 빠르다
한 문서를 처리할 때는 몇 초의 차이가 크게 와닿지 않을 수 있다. 그러나 작업이 대량 논문 입력, 아카이브 정리, 리서치 리포트 parsing이 되면 처리 효율이 대기 시간과 연산 자원 점유에 직접적인 영향을 미친다.
팀이 공개한 동일 조건 전체 parsing 테스트 결과에 따르면, 같은 RTX PRO 6000 Blackwell(96GB) 그래픽카드에서 OmniDocBench에서 무작위로 추출한 100페이지 문서를 parsing할 때,OXR은 평균 약 101초가 걸렸고, PaddleOCR-VL-1.6과 MinerU2.5-Pro는 각각 약 145초와 255초가 필요했다.
작은 파라미터, 높은 정확도, 빠른 속도가 이번에는 하나의 모델에 동시에 나타났다.
이것은 OXR이 작업 분업에서 취한 하나의 영리한 설계에 힘입은 것이다:경량 레이아웃 분석 모델이 내용 영역을 찾아내고, 이어서 메인 모델이 내용 인식과 읽기 순서 판단을 완수한다.
순서 판단을 내용 인식 단계에 통합함으로써, 읽기 순서를 별도로 처리하는 추가 비용이 줄어들고, 모델이 내용의 의미를 결합하여 선후 관계를 판단할 수 있게 되었다. 이것이 OXR의 parsing 품질과 효율을 모두 겸비하게 한아키텍처 설계이다.
3 RSI: 오류 샘플과 약한 샘플을 중심으로 한 지속적 개선
눈부신 성적 뒤에, OXR의 훈련 접근 방식 역시 주목할 만하다. 우리는 모두 알다시피, 문서 parsing은 하나의 고정된 샘플 세트만으로 모든 문제를 커버하기 어렵다. 장면, 언어, 레이아웃이 끊임없이 변화하는 가운데, 모델이 본 적 없는 복잡한 문서를 마주했을 때에도 어떻게 안정적으로 신뢰할 수 있는 parsing 결과를 내놓을 수 있을까?
OXR은 혁신적으로post-training 단계에서 문서 parsing을 위한 재귀적 자기 개선(Recursive Self-Improvement, RSI)훈련 패러다임을 처음으로 도입하여, parsing 과정에서의 오류 샘플과 약한 샘플을 다음 라운드 훈련의 근거로 전환했다.
이 흐름은 여러 AI 모델이 협업하여 수행하는 일종의 '오류 점검 및 보충 학습' 과정으로 이해할 수 있습니다.
- OXR이 라벨 없는 문서를 먼저 해석하여 평가 대상 결과를 생성합니다.
- 외부 모델이 결과를 평가하고 샘플별로 오류 원인을 분석하며, 독립적인 클러스터링 모델이 문제를 원인별로 분류합니다.
- 외부 모델이 이러한 문제를 중심으로 맞춤형 학습 데이터를 생성하여 다음 라운드의 OXR 학습에 사용합니다.
이렇게 하면 학습 데이터 준비에 명확한 문제 지향성이 생깁니다. 모델이 어느 부분에서 약한지에 따라 그 부분을 중심으로 데이터를 보충하여 모델 반복 개선의 속도를 높입니다. 동시에,폐쇄 루프에 새로 추가된 학습 데이터는 수동 라벨링이 필요 없으며,수동으로 자료를 준비하는 데 따르는 효율성 병목도 극복합니다.
4 레이아웃 분석 플러그형 설계, 더 유연한 비즈니스 적응
모델이 잘못 읽었다면 정확도를 높여야 합니다. 하지만 많은 경우 해석 결과가 기대와 다른 것은 비즈니스에서 문서 구조를 서로 다르게 정의하기 때문입니다.
예를 들어, 동일한 이미지 그룹이라도 자료 아카이빙은 전체를 보존하기를 원할 수 있고, 이미지 검색은 장당 추출이 필요할 수 있습니다. 제목, 본문, 테두리를 포함한 하나의 영역을 어떤 비즈니스는 텍스트 단위로 분할하고, 어떤 비즈니스는 전체를 표로 처리하기를 원할 수 있습니다. 두 가지 요구 모두 합리적일 수 있습니다.
이에 대해 OXR은 레이아웃 분석을 독립적이고 플러그형 모듈로 설계했습니다.
내장된 레이아웃 분석 모델을 바로 사용할 수도 있고, 자신의 비즈니스 기준에 부합하는 다른 레이아웃 분석 모델을 연결하여 요소 카테고리, 영역 경계 및 콘텐츠 그룹화를 조정한 뒤, OXR의 콘텐츠 인식 및 읽기 순서 판단 기능을 계속 재사용할 수도 있습니다.
RAG, 에이전트 및 문서 워크플로를 구축하는 개발자에게 OXR은 파싱 정확도, 처리 속도, 레이아웃 적응 능력을 모두 갖춘 오픈소스 선택지를 제공합니다.
현재 OXR은 코드와 모델 가중치를 공개했으며, 온라인 데모와 무료 API도 제공하여 개발자가 실제 문서로 효과를 바로 검증할 수 있습니다:
- GitHub 코드 저장소: https://github.com/SoMarkAI/OXR
- Hugging Face 모델 가중치: https://huggingface.co/SoMarkAI/OXR-1.0
- 온라인 데모: https://free-oxr.somark.cn/
- 무료 API: https://free-oxr.somark.cn/api/v1
더 많은 프로덕션급 문서 파싱 수요가 있는 팀은 동일 팀이 개발하고 독립 모델로 구동되는 문서 파싱 엔진 SoMark도 살펴볼 수 있습니다.
SoMark 공식 웹사이트: https://somark.cn/
SoMark에서 OXR에 이르기까지, 이 팀은 오랜 탐색과 실천 속에서 축적한 귀중한 경험을 개발자에게 공개하고 있으며, 이는 그들의 가치 지향을 전달합니다: 문서 속 지식을 AI가 활용할 수 있는 고품질 데이터로 만들어 더 많은 실제 비즈니스 시나리오에 진입시키는 것입니다.
본 글은 SoMark 팀이 제공하였으며, 양자위(量子位)가 전재 허가를 받았고, 견해는 원저자에게 귀속됩니다.