SoMark がゼロから事前学習した 1.3B パラメータのドキュメント解析モデルで、PDF やドキュメント画像をレイアウト座標付きの Markdown または JSON に変換します。レイアウト分析は独立した交換可能な小規模モデルが担当し、OXR 自体はコンテンツ認識と読み取り順序を担当します。表、数式、スタンプ、コードブロック、化学反応式（mhchem）、化学構造式（SMILES）など 13 種類の要素を認識できます。
上昇スコア 84 · いいね 125 · ダウンロード数 2481
理由
- 公式 GitHub 評価ドキュメント（10 月 5 日時点のスナップショット）：olmOCR-bench で 87.84（2 位は Infinity-Parser2-Pro の 87.60）、OmniDocBench で 97.18（TeleOCR の 96.91、PaddleOCR-VL-1.6 の 96.34）、DocParsingBench で 87.76（PaddleOCR-VL-1.6 の 85.17）と、3 項目すべてで 1 位を獲得しています。
- 公式によると、RTX PRO 6000 Blackwell 1 枚で逐次デコード時に 557.77 トークン/秒、エンドツーエンドで約 0.99 ページ/秒を達成し、比較対象の 21 個のモデルの中で最速です。後学習には、誤答に対して自動で反復改善する再帰的自己改善（RSI）プロセスを採用しており、人手によるアノテーションは不要です。
- 登録不要の無料 API とオンラインデモがあり、インターフェースは SoMark 公式の CLI / SDK と互換性があります。前回までは結果が画像内のみだったため順位が低く見えていましたが、今回は評価ドキュメント内のテキストおよび数値情報により補完されました。これまで各号では未収録でした。
使い方
- まず試す場合：オンラインデモ free-oxr.somark.ai（中国国内ミラーは somark.cn）を利用してください。
pip install somark実行後、somark --base-url https://free-oxr.somark.ai/api/v1 --api-key dummy parse ファイル.pdf --formats md,jsonとコマンドを実行します。 - ローカル環境（Docker 推奨）：
git clone SoMarkAI/OXRを実行し、hf download SoMarkAI/OXR-1.0 --local-dir ./models/OXR-1.0でモデルを取得後、docker build -f docker/Dockerfile.allinoneでビルドして起動します。ブラウザでlocalhost:8000/demoを開いてください。ソースコードから実行する場合は、OXR モデルサービス（vLLM 0.25.1 + リポジトリ同梱プラグイン）、レイアウト分析サービス、解析 API の 3 プロセスをそれぞれ起動します。 - 解析インターフェース：
curl localhost:8000/v1/parse/sync -F file=@ファイル.pdf -F output\_formats=markdown -F output\_formats=json
リスク
- Linux と BF16 対応の NVIDIA GPU（CUDA 13.0 ドライバ）が必要です。単一 GPU で最低 24GB、長いドキュメントや並列処理を考慮する場合は 48GB 以上を推奨します。公式 vLLM はまだネイティブサポートしておらず、リポジトリ内のツリー外プラグインを使用する必要があります。
- ライセンスは Apache 2.0 に追加条項を加えた OXR Open Source License です。商用利用前に条項を確認してください。技術レポートはまだ公開されていません。
- すべてのスコアは公式による集計値であり、比較対象モデルのスコアは各論文やリーダーボードから引用しています。同じく 1.3B パラメータの MiniCPM-OCR 1.0 との直接比較は行っていません。無料 API は公式により安定性が保証されておらず、本番環境での使用は推奨されません。