OXR: Offenes 1,3B-Modell für Dokumentenparsing führt drei Benchmarks an

Worum es geht

Das Team hinter dem Dokumentenparser SoMark, ein Startup aus China, hat das Modell OXR als Open Source veröffentlicht. Der Name steht für „Optical Everything Recognition“ – eine Erweiterung von OCR (Texterkennung) auf mehr als Text. Das Hauptmodell hat 1,3 Milliarden Parameter, also die beim Training gelernten Stellschrauben, und ist damit klein. Es wandelt PDFs und Dokumentbilder in Markdown oder JSON um, behält dabei Layout-Koordinaten und erkennt 13 Arten von Elementen, darunter Tabellen, Formeln, chemische Formeln und Code. Der Artikel stammt von der SoMark-Seite und wurde von QbitAI mit Genehmigung übernommen; alle Leistungsangaben sind Herstellerangaben. Laut Text gab es nach einer Woche über 1000 GitHub-Sterne.

Was OXR kann

Bei Tabellen genügt korrekte Texterkennung nicht: Verrutschen Zeilen, Spalten oder verbundene Zellen, landen Zahlen beim falschen Eintrag. OXR bewahrt die Struktur und gibt Tabellen als HTML aus. Formeln werden als LaTeX ausgegeben, chemische Gleichungen im mhchem-Format und Strukturformeln als SMILES (eine Textschreibweise für Moleküle). Bei mehrspaltigen Papers, Zeitungen oder Prüfungen bestimmt das Modell zugleich die Lesereihenfolge, damit Spalten nicht vermischt werden, und liefert Koordinaten. Die Ausgabe soll für Agenten und RAG-Systeme (Systeme, die Sprachmodellen passende Dokumentausschnitte zuliefern) nutzbar sein.

Benchmarks und Geschwindigkeit

Laut Team erzielt OXR folgende Werte, jeweils Platz 1:

Beim Tempo wurden 100 zufällig aus OmniDocBench gezogene Seiten auf derselben RTX PRO 6000 Blackwell (96 GB) komplett geparst:

Die Architektur trennt Aufgaben: Ein leichtes Layout-Modell findet Inhaltsbereiche, das Hauptmodell erkennt Inhalte und bestimmt die Lesereihenfolge. Weil die Reihenfolge im selben Schritt entsteht, entfällt zusätzlicher Aufwand, und das Modell kann den Inhalt für die Reihenfolge nutzen.

Training mit Recursive Self-Improvement

Im Post-Training setzt OXR nach Teamangaben erstmals für Dokumentparsing auf Recursive Self-Improvement (RSI). Ablauf: OXR parst unbeschriftete Dokumente; ein externes Modell bewertet die Ergebnisse und analysiert Fehlerursachen; ein unabhängiges Clustering-Modell gruppiert die Probleme; ein externes Modell erzeugt dazu gezielt Trainingsdaten für die nächste Runde. So wird dort nachgebessert, wo das Modell schwach ist, und es braucht keine manuelle Annotation.

Austauschbares Layout-Modul

Die Layout-Analyse ist ein eigenes, austauschbares Modul. Man kann das eingebaute Modell nutzen oder ein eigenes anschließen, um Kategorien, Regionsgrenzen und Gruppierungen anzupassen – etwa Bilder gesammelt für die Archivierung oder einzeln für die Bildsuche. Inhaltserkennung und Lesereihenfolge von OXR bleiben nutzbar.

Was du zum Ausprobieren brauchst

Die Quelle nennt keine Mindestanforderungen. Mit 1,3 Mrd. Parametern dürfte das Modell grob mit wenigen GB VRAM (geschätzt 3–4 GB bei 4-bit) laufen; die Tempomessung erfolgte allerdings auf einer 96-GB-Karte. Am einfachsten testest du es ohne Installation über die Online-Demo (free-oxr.somark.cn) oder die kostenlose API. Gewichte: Hugging Face (SoMarkAI/OXR-1.0), Code: GitHub (SoMarkAI/OXR). Ob Mac, CPU oder Colab funktionieren, ist nicht angegeben.

Einordnung

Ein kleines, schnelles Modell mit offenen Gewichten ist für Dokumentpipelines attraktiv, etwa für Papers, Berichte und Archive. Die Zahlen sind aber Herstellerangaben; unabhängige Tests und Details wie Lizenz, Sprachabdeckung und Fehlerraten bei schwierigen Scans fehlen in der Quelle. Der Text ist zudem ein von SoMark bereitgestellter Beitrag und enthält Werbung für das kommerzielle Produkt SoMark. Wer produktiv parsen will, sollte mit eigenen Dokumenten gegen PaddleOCR-VL und MinerU vergleichen.