1.3B Open-Source Document Parsing Model OXR Tops Three Leaderboards, Introducing RSI Self-Evolution Training

量子位|公众号QbitAI

不er，RSI应用在OCR上，效果这么猛？？

最近，一个参数量仅1.3B的国产开源模型，打爆了文档解析。

OmniDocBench、olmOCR-Bench和DocParsingBench，三榜第一。

单张RTX PRO 6000，完成100页端到端文档解析，仅耗时 101秒 。

坏，A社这下蒸馏纸质书的效率得起飞了（bushi）。

在海外开发者社区也是火爆了，已经获得1.1K+GitHub Star。

RSI。

这个自进化加持的OCR新物种，名为OXR。

Optical「Everything」Recognition。

文档解析，一座听着没啥技术含量，但至今仍未被完全攻克的高山。

传统OCR面对一份看似平平无奇的PDF，很多时候基本就是灾难现场。

双栏论文串行，手写公式识别成一堆乱码，跨页大表格结构直接崩解，至于化学结构式，很多工具干脆直接当成杂乱线条丢弃。。。

这种劣质提取一丢进RAG，模型再聪明，下游的Tool Call也得全部歇菜。

一个名为OXR的开源文档解析模型，三项世界级榜单，全部登顶。

并且，整套评测流程和代码，全量开源可复现。

我也上手简单试了一下，确实不太一样。终于不是人工智障了。

而OXR能一口气吞下 13类文档元素：

表格、公式、代码块、图片、化学方程式、脚注、页眉、页脚、印章……

应用在具体场景下，是这样的——

杂志，输出保留完整语义结构、阅读顺序的结构化MD。

数理公式，直接转成标准的LaTeX代码。

文献？

也别让LLM自己慢吞吞地调用工具阅读了，双列排版也不影响质量。

甚至，连数学试卷也能解析？？？

看来以后GPT能更好地帮助小学生完成暑假作业了o(╥﹏╥)o。

当然，最令人激动的，还是开源这件事。

要知道，这类垂直小模型，和LLM开源的意义是很不一样的。

我说实话，LLM开源虽好，但基本和普通用户是没太大关系的。

就算是一个只有27B的模型，本地部署成本也高得离谱，起码上个M5 Pro 64G吧，这还不考虑输出速度的问题。

但OXR这家伙， 就1.3B啊。。。

什么概念？

你拿张RTX 3060，基本就能满血跑，无限薅羊毛。

海外开发者们也是皆大欢喜了。

有点东西。

所以，一个1.3B的文档解析模型，究竟是怎么实现准确率SOTA的？

但说实话，文档解析这个领域，标注数据简直就是个无底洞。

排版千奇百怪，专业公式、代码、图表错综复杂，纯靠人工标注不仅成本高到上天，而且人工标注的错误率本身就高得吓人。

真实世界里的长尾Bad Case你根本穷尽不了。工程师辛辛苦苦挑出坏样本、人工修正、重新训练，好不容易发了个新版本，遇到新的奇葩排版还是会挂。

数据准备的速度，死死卡住了模型进化的脖子。

团队在这方面做了比较激进的探索。

他们意识到，文档解析长期以来，都有一个容易被忽视的特性：

每一份输入，都有 客观确定的标准答案 。

文字对不对、表格跨行跨列有没有错、公式符号有没有漏，都能被精确测量。

既然能客观判断对错，那为什么还要等人类来擦屁股？

做完这个思维实验后，OXR做了一个决定：

在后训练阶段，引入面向文档解析的递归自我改进（RSI）训练范式。

这个RSI过程，大致可以分为三个阶段：

1、预测与分类（Prediction&Classification）

OXR先去解析海量的无标签真实文档。

紧接着，通用多模态模型（General VLM）登场，结合原始图像、解析结果和评判标准，把样本切分成三类：

保留Uncertain这一档，是个比较反直觉的Know-How。

如果你只给模型Correct和Wrong两个非黑即白的选项，评判模型的犹豫就会被强行包装成一个确定标签，最后把毒素喂给下一轮训练。

有了Uncertain，拿不准的样本就能被兜底。

除了VLM外，OXR还会对自己进行 多次rollout采样 。

一份文档如果跑几次出来的结果大相径庭，说明模型底气不足，哪怕碰巧蒙对一次，也会被直接扔进Uncertain集合。

最后，在语义完全不变的前提下，系统会针对这些高分歧样本做轻微的图像扰动（小幅缩放、压缩、轻微模糊或平移）。

如果加了扰动后分歧进一步扩大，说明模型对这类无害的视觉变化过度敏感，这个扰动动作就会被当场记录为一条核心病因，直接指导下一轮针对性补强。

2、归因与训练规划（Attribution&Training Planning）

把错样本和弱样本筛出来之后，绝不能直接乱喂给模型，你得搞清楚它到底死在哪儿。

在这个阶段，General VLM会像一个老医生一样，逐个样本去诊断：是跨列单元格对齐失败，还是手写连笔识别错误？

诊断出的自然语言原因，会被输入到SigLIP2提取特征向量，然后通过独立的聚类模型进行聚类，形成清晰的原因簇（Reason clusters）。

比如，一张财务报表和一张化学实验记录表，外观和文字八竿子打不着，但如果归因聚类发现它们都死在某种罕见的跨行跨列结构上，这就会被提炼为一个共同的数据构造方向。

OXR的具体做法是：原因簇提供结构难点，真实样本池提供版式与视觉风格参照。

每一次生成新数据，都会从真实样本中抓取排版风格作为锚点，把需要攻克的结构难点自然地融入进去。

前面在扰动测试中发现的视觉脆弱点，也会被系统性地编入合成管线，强制模型在练习中反复脱敏。

最后，生成出来的数据经过严格规范校验，直接回流去训练下一代OXR。

一轮跑完，模型的短板被补齐；新一轮真实文档再跑，又会暴露出新的短板，驱动下一轮迭代。

RSI，自此成型。

数据分布在每一轮迭代中变得越来越完备、越来越扎实。

这也是OXR能做到如此高智能密度的原因。

当数据质量高到一定程度，模型就不再需要靠臃肿的参数量，去死记硬背。

在单张RTX PRO 6000上，OXR端到端解析100页文档只要101.0秒，开源第一。

最开始我以为是参数小的原因。

但后面我才发现，文档解析这件事，光靠模型小，是做不到的。

这背后有很多反直觉的Know-How。

回顾这两年文档解析的技术演进，行业里其实走过了好几个阶段。

最开始大家搞 Pipeline ，检测、识别、排序各用一个独立专有模型，拼起来极其臃肿，维护成本上天。

后来 VLM 火了，大家发现所有任务本质上都是图片到序列的映射，于是开始尝试用端到端大模型一锅端，让大模型直接全页往外蹦字和排版。

这种方案虽然优雅，但速度慢如蜗牛，因为自回归生成长序列太吃算力了。

再后来， PaddleOCR-VL 走出了很漂亮的一步：

把版面分析（LA）和阅读顺序（RO）合并成一个小模型，后面接识别（Recognition）模型，做成了两个模型、两个阶段。

这一下把版面检测的速度拉回了传统目标检测毫秒级的水平，直接成为了这两年的行业标准解法。

但，这就完美了吗？

并没有。每增加一条版面标注，就必须强行绑上一条阅读顺序标注，数据处理难度直接翻倍。

OXR团队在深入推演后，给出了一个完全不同的任务级重构方案：

独立的轻量模型负责版面分析（LA），OXR主模型同时负责内容识别（Recognition）与阅读顺序判断（RO）。

也就是：

Layout Analysis–>Recognition+Reading Order

这个看似简单的拆分组合，在工程上带来了两个巨大质变：

其一， 彻底抹平了阅读顺序带来的性能损耗。

在整个流水线里，判断阅读顺序的耗时原本就远小于文本识别。

OXR把阅读顺序判断并入主模型之后，不仅没有增加额外时间，反而因为主模型本身具备语义理解能力（Content-Aware），使得阅读顺序的判断准确率大幅提升。

同时，前面的版面分析模型（LA）由于卸下了复杂的排序包袱，任务变得极度纯粹，可以直接采用更轻量的高效检测模型，整体吞吐量原地起飞。

其二， 版面分析模块独立且完全可插拔。

不同业务，对版面的需求完全打架，这是一个长尾问题：

一个图文混排的区域，内容团队希望当成一整张图提取，知识库团队希望把里面的文字抠出来当正文；

密集排布的四格漫画，业务A想要整体裁切，业务B想要切成四个小图；

……

总之就是非常难定义，众口难调。

但在OXR的架构里，版面分析是一个完全独立的可插拔模块——

以最小的改造成本，实现最大的业务适配自由度。

如果你的业务有着极其特殊的版面划分需求，比如你要处理古籍、医疗单据，你完全可以用自己训练的私有版面分析模型，无缝替换掉，

后端继续白嫖OXR强大的内容识别能力。

当然，既然是为开发者社区而生，一个模型吹得再天花乱坠，如果部署不了，那也是白搭。

是的，完全免费，纯白嫖啊。。。

官方表示，至少在服务器负载仍能承受的区间内，他们会一直维护开源免费服务。

这岂有不站起来蹬的道理！

所以我火急火燎地在自己的写作APP，接入了这个API。

说实话，PDF解析这一块，和之前的方案比起来，效果要好太多太多了。

对了，想本地部署的同学，也是没问题的。OXR全面适配了主流推理框架。

不需要你自己吭哧吭哧去重新编译vLLM，直接在官方Docker或CLI挂载插件就能一键拉起服务。

目前，OXR的代码、权重以及整套基准评测的复现流程，已经全部公开。

链接在文末，感兴趣的朋友可以自取。

当然，如果你有更高的需求，比如处理Word、PPT、Excel等更多格式，或者追求更完善的后处理定制能力，也可以去了解一下官方维护的商业级引擎。

为什么在今天，我们还要花这么大的精力去死磕文档解析？

Agent正在全面接管各行各业工作流的今天，人类过去几十年沉淀下来的最核心、最专业的私域知识，绝大多数都还静静地躺在那些格式混乱、排版复杂的PDF、扫描件和报表里面。

大语言模型再聪明，如果给它喂进去的输入是一堆顺序错乱、表格破碎的字符垃圾，它吐出来的也只能是幻觉。

过去很多人把OCR当成一个技术含量不高的搬砖活，但今天从OCR到OXR，它所承担的使命已经完全变了。

它是人机交互的桥梁，把人类世界里所有复杂的多模态文档，完整无损地重构成对Agent极其友好的结构化资产。

说实话，看到国内有团队在做这些贴近工程落地的事，其实蛮令人兴奋的。

太多人的目光聚焦在Fancy叙事了，天天都在追前沿技术，反而让我们忘记了一件很重要的事——

用户到底需要什么？

LLM发展到现在这个阶段了，这个问题的答案，绝对不是更高的模型智能了。

更大的瓶颈，存在于那些尚未有人开荒，需要Get Hands Dirty的领域。

如果这件事能形成共识——

属于Agent的基础设施， 会以肉眼可见的速度，一片一片拼图归位。