科技微博·量子位··AI 生成
RSI立大功！国产开源登顶全球第一，1.3B OXR重塑OCR
国产团队 SoMark 开源的 1.3B 文档解析模型 OXR 在 OmniDocBench、olmOCR-Bench、DocParsingBench 三项榜单登顶，单张 RTX PRO 6000 解析 100 页仅需 101 秒。核心创新是后训练阶段引入递归自我改进（RSI）：用通用 VLM 对无标注文档做 Correct/Wrong/Uncertain 三分类，归因聚类后定向合成数据回炉训练，摆脱人工标注瓶颈。架构上把阅读顺序并入主模型、版面分析做成可插拔独立模块。适合关注 OCR/RAG 数据链路与后训练范式的读者。原文 ↗原文 ↗
核心观点
- ▍文档解析的瓶颈不在模型规模而在训练数据：利用「每份文档都有客观确定答案」这一特性，用 RSI 让模型自己找错、归因、合成数据迭代，1.3B 参数即可达到 SOTA。
- ▍架构上将版面分析（LA）独立为可插拔轻量模块，把阅读顺序判断并入主识别模型，同时解决速度和业务适配两个问题。
- 01三项榜单成绩：OmniDocBench 97.18、olmOCR-Bench 87.84、DocParsingBench 87.76，均为第一，且评测流程与代码全量开源可复现。
- 02单张 RTX PRO 6000 端到端解析 100 页文档耗时 101.0 秒，官方称开源第一；1.3B 参数可在 RTX 3060 级别显卡本地满血运行。
- 03RSI 三阶段：Prediction&Classification 用通用 VLM 将样本分为 Correct/Wrong/Uncertain，并对高分歧样本做图像扰动记录脆弱点；Attribution&Training Planning 用 SigLIP2 提取特征后聚类成原因簇；Data Generation 以原因簇定结构难点、真实样本池定版式风格合成新数据回训。
- 04保留 Uncertain 档是反直觉的 Know-How：若只给 Correct/Wrong 二分类，评判模型的犹豫会被强行包装成确定标签，把噪声喂给下一轮训练。
- 05OXR 可一次解析 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、印章等），输出保留阅读顺序的结构化 Markdown 或 LaTeX。
反方 / 局限
- — 免费 API 的可持续性存疑：官方仅承诺「在服务器负载仍能承受的区间内」维护免费服务，未给出 SLA 或长期资源承诺。
- — 三榜登顶的评测由团队自行复现并开源，虽然透明，但缺乏第三方独立机构对同口径成绩的交叉验证。
- — RSI 依赖「文档解析有客观确定答案」这一前提，该闭环在答案本身存在歧义或主观判断的文档类型（如手写批注、模糊印章）上能否成立，文章未讨论。
11 分钟 · 7 卡片 · 14 资料
读原文 →概念锚点
前置背景
应用场景
论证骨架
平行视角
争议局限
延伸追问