SoMarkAI/OXR-1.0

Модель для анализа документов SoMark с параметрами 1.3B, обученная с нуля, преобразует PDF-файлы и изображения документов в Markdown или JSON с координатами макета; анализ макета выполняется отдельной заменяемой небольшой моделью, а сама OXR отвечает за распознавание содержимого и порядок чтения, умея распознавать таблицы, формулы, печати, блоки кода, химические уравнения (mhchem) и химические структуры (SMILES), а также 13 других типов элементов.

Рост рейтинга на 84 · Лайков: 125 · Загрузок: 2481

Причины

• Официальная документация по тестированию GitHub (снимок от 5 10): olmOCR-bench 87.84 (второе место у Infinity-Parser2-Pro с результатом 87.60), OmniDocBench 97.18 (TeleOCR 96.91, PaddleOCR-VL-1.6 96.34), DocParsingBench 87.76 (PaddleOCR-VL-1.6 85.17) — во всех трёх тестах модель занимает первое место.
• По официальным данным, при последовательном декодировании на одной видеокарте RTX PRO 6000 Blackwell скорость составляет 557.77 токенов/с, а сквозная производительность — около 0.99 страниц/с, что является самым быстрым результатом среди сравниваемых 21 моделей; для постобучения использован процесс рекурсивного самоусовершенствования (RSI) с автоматической итерацией по ошибкам, не требующий ручной разметки.
• Доступен бесплатный API без регистрации и онлайн-демо, интерфейс совместим с официальным CLI / SDK SoMark; вчера модель уступила только из-за того, что результаты были представлены только на изображениях, теперь они дополнены числовыми данными из документации по тестированию, которые ранее не публиковались.

Использование

• Для начала попробуйте: онлайн-демо free-oxr.somark.ai (зеркало в Китае somark.cn); после установки pip install somark выполните команду somark --base-url https://free-oxr.somark.ai/api/v1 --api-key dummy parse файл.pdf --formats md,json.
• Локально (рекомендуется Docker): клонируйте репозиторий git clone SoMarkAI/OXR, загрузите модель командой hf download SoMarkAI/OXR-1.0 --local-dir ./models/OXR-1.0, затем выполните сборку образа docker build -f docker/Dockerfile.allinone и запустите контейнер, открыв в браузере localhost:8000/demo; при запуске из исходного кода необходимо отдельно запустить три процесса: сервис модели OXR (vLLM 0.25.1 + плагин из репозитория), сервис анализа макета и API парсинга.
• Интерфейс парсинга: curl localhost:8000/v1/parse/sync -F file=@файл.pdf -F output\_formats=markdown -F output\_formats=json.

Риски

• Требуется ОС Linux и видеокарта NVIDIA с поддержкой BF16 (драйвер CUDA 13.0); минимальный объём памяти на одной карте — 24 ГБ, для длинных документов или параллельной обработки рекомендуется 48 ГБ и более. Официальная версия vLLM пока не поддерживает модель нативно, необходимо использовать плагин из репозитория.
• Лицензия представляет собой OXR Open Source License, основанную на Apache 2.0 с дополнительными условиями; перед коммерческим использованием следует ознакомиться с условиями лицензии; технический отчёт ещё не опубликован.
• Все результаты предоставлены официально, баллы сравниваемых моделей взяты из их статей или рейтингов; прямое сравнение с MiniCPM-OCR 1.0, также имеющей 1.3B параметров, не проводилось; согласно официальным данным, стабильность бесплатного API не гарантируется, поэтому его не рекомендуется использовать в производственной среде.

Открыть