Mô hình phân tích tài liệu SoMark với 1.3 tỷ tham số, được huấn luyện từ đầu, chuyển đổi PDF và hình ảnh tài liệu thành Markdown hoặc JSON kèm tọa độ bố cục; phân tích bố cục là một mô hình nhỏ độc lập và có thể thay thế, còn OXR đảm nhận việc nhận dạng nội dung và thứ tự đọc, có khả năng nhận dạng 13 loại yếu tố bao gồm bảng, công thức, con dấu, khối mã, phương trình hóa học (mhchem) và cấu trúc hóa học (SMILES).
Tăng 84 điểm · 125 lượt thích · 2481 lượt tải xuống
Lý do
- Tài liệu đánh giá trên GitHub chính thức (chụp nhanh ngày 5 tháng 10): olmOCR-bench 87.84 (xếp thứ hai là Infinity-Parser2-Pro với 87.60), OmniDocBench 97.18 (TeleOCR 96.91, PaddleOCR-VL-1.6 96.34), DocParsingBench 87.76 (PaddleOCR-VL-1.6 85.17), đều xếp thứ nhất trong cả ba hạng mục.
- Theo thông tin chính thức, mô hình đạt tốc độ giải mã tuần tự 557.77 token/giây và khoảng 0.99 trang/giây khi xử lý toàn bộ quy trình trên một card đồ họa RTX PRO 6000 Blackwell, nhanh nhất trong số 21 mô hình được so sánh; quá trình huấn luyện hậu kỳ sử dụng quy trình tự cải tiến đệ quy (RSI) tự động lặp lại dựa trên các lỗi sai, không cần chú thích thủ công.
- Có API miễn phí không cần đăng ký và bản demo trực tuyến, giao diện tương thích với CLI / SDK chính thức của SoMark; hôm qua điểm số chỉ được hiển thị trong hình ảnh nên bị bỏ sót, lần này được bổ sung bằng các con số từ tài liệu đánh dạng văn bản, trước đó các kỳ trước chưa từng ghi nhận.
Cách sử dụng
- Thử trước: bản demo trực tuyến free-oxr.somark.ai (gương trong nước somark.cn); sau khi chạy pip install somark, dùng lệnh somark --base-url https://free-oxr.somark.ai/api/v1 --api-key dummy parse file.pdf --formats md,json.
- Chạy cục bộ (khuyến nghị dùng Docker): git clone SoMarkAI/OXR, hf download SoMarkAI/OXR-1.0 --local-dir ./models/OXR-1.0, sau đó chạy docker build -f docker/Dockerfile.allinone và khởi động, mở localhost:8000/demo; nếu chạy từ mã nguồn, cần khởi động riêng ba tiến trình: dịch vụ mô hình OXR (vLLM 0.25.1 + plugin đi kèm trong kho), dịch vụ phân tích bố cục và API phân tích.
- API phân tích: curl localhost:8000/v1/parse/sync -F [email protected] -F output_formats=markdown -F output_formats=json.
Rủi ro
- Yêu cầu hệ điều hành Linux + card đồ họa NVIDIA hỗ trợ BF16 (driver CUDA 13.0); khởi điểm tối thiểu 24GB VRAM, khuyến nghị từ 48GB trở lên cho tài liệu dài hoặc khi chạy đồng thời. vLLM chính thức chưa hỗ trợ nguyên bản, cần sử dụng plugin ngoài cây (out-of-tree) từ kho mã.
- Giấy phép là OXR Open Source License, dựa trên Apache 2.0 nhưng có bổ sung các điều khoản phụ; cần xem xét kỹ điều khoản trước khi sử dụng cho mục đích thương mại; báo cáo kỹ thuật vẫn chưa được công bố.
- Tất cả điểm số đều do chính thức tổng hợp, điểm của các mô hình so sánh được lấy từ bài báo hoặc bảng xếp hạng tương ứng, chưa có so sánh trực tiếp với MiniCPM-OCR 1.0 cũng có 1.3 tỷ tham số; API miễn phí được chính thức tuyên bố là không đảm bảo ổn định, không khuyến nghị sử dụng cho môi trường sản xuất.