Китайская OXR с 1,3 млрд параметров обошла тяжёлые модели в трёх бенчмарках

Китайская команда SoMark, стоящая за одноимённым движком для разбора документов, открыла исходный код своей новой модели OXR — и за первую неделю после релиза проект собрал более тысячи звёзд на GitHub, перевалил за миллион просмотров в соцсети X и попал в рекомендательную ленту Today's news. Для сегмента распознавания документов, где ещё недавно тон задавали тяжёлые мультимодальные системы, это заметное событие: новичок заявляет о себе сразу с тремя первыми местами в мировых бенчмарках.

Полное название модели — Optical Everything Recognition, то есть «оптическое распознавание всего». И это не просто красивый акроним. Если классический OCR отвечает в первую очередь за текст, то OXR берётся за 13 типов элементов документа: таблицы, формулы, химические формулы и структурные схемы, блоки кода и многое другое. Модель восстанавливает порядок чтения в многоколоночных вёрстках, выдаёт результат в Markdown или JSON и сохраняет координаты блоков на странице, чтобы сложный документ превратился в данные, с которыми дальше могут работать агенты и RAG-системы.

Главная интрига — размер. Основная модель насчитывает всего 1,3 миллиарда параметров, что по меркам современных мультимодальных решений почти миниатюра. При этом в бенчмарках OmniDocBench, olmOCR-Bench и DocParsingBench OXR набирает 97,18, 87,84 и 87,76 балла соответственно и занимает первое место во всех трёх. По словам разработчиков, по полной скорости разбора модель опережает участвовавшие в том же тесте PaddleOCR-VL-1.6 и MinerU2.5-Pro. Так что лёгкость здесь не компромисс, а осознанная ставка: точность и эффективность вытянуты на верхнюю строчку одновременно.

Насколько это важно на практике, хорошо видно по конкретным сценариям. В таблице с объединёнными ячейками и сложной сеткой распознать текст — лишь половина дела: стоит ошибиться в связях между строками и столбцами, и цифры привяжутся не к тем показателям. OXR сохраняет структуру и отдаёт таблицу в HTML, пригодном для дальнейшей обработки. В научных статьях трудности плотнее: у математических формул есть верхние и нижние индексы и вложенные конструкции, у химии — уравнения реакций и изображения молекулярных структур. Формулы модель выдаёт в LaTeX, химические уравнения — в формате mhchem, структурные схемы — в SMILES, превращая графику со страницы в выражения, с которыми можно работать дальше. Отдельная головная боль — многоколоночные статьи, газеты и экзаменационные бланки: даже при верном распознавании каждого фрагмента путаница между колонками и врезками ломает смысл оригинала. OXR определяет порядок чтения вместе с распознаванием контента и прикладывает координаты блоков, сохраняя их положение на странице.

Скорость в этом сегменте значит не меньше точности. На одной карте RTX PRO 6000 Blackwell с 96 гигабайтами памяти команда прогнала полный разбор ста случайно выбранных страниц из OmniDocBench. OXR справился в среднем примерно за 101 секунду, тогда как PaddleOCR-VL-1.6 понадобилось около 145 секунд, а MinerU2.5-Pro — около 255. Разница в секундах на одном документе почти незаметна, но когда речь идёт о пакетной загрузке тысяч научных статей, разборе архивов или обработке потока аналитических отчётов, она напрямую превращается в часы ожидания и занятые вычислительные ресурсы.

Такой результат объясняется архитектурной хитростью. Задача разделена на две части: лёгкая модель анализа вёрстки находит области с контентом, а основная модель распознаёт содержимое и определяет порядок чтения. Порядок встроен в этап распознавания, а не решается отдельным проходом — это экономит накладные расходы и позволяет модели судить о последовательности с учётом смысла содержимого. Именно в этом разработчики видят источник баланса между качеством разбора и эффективностью.

Любопытна и тренировочная кухня. Документы слишком разнообразны по языкам, вёрстке и сценариям, чтобы фиксированный набор примеров закрыл все проблемы. Поэтому в посттренировочную стадию команда впервые для задач разбора документов встроила схему рекурсивного самоулучшения, RSI. Работает это как коллективная «проверка ошибок и доучивание» с участием нескольких моделей: OXR разбирает неразмеченные документы и выдаёт черновые результаты, внешние модели оценивают их и разбирают причины ошибок по каждому примеру, отдельная модель кластеризации группирует проблемы по причинам, а затем внешние модели целенаправленно генерируют обучающие данные под эти слабые места для следующего раунда тренировки. Данные получают чёткую проблемную направленность, а новые примеры в замкнутом цикле не требуют ручной разметки — это снимает узкое место, связанное с ручной подготовкой материалов.

Есть и ещё один практичный штрих: анализ вёрстки сделан независимым и подключаемым модулем. Можно взять встроенную модель, а можно подключить стороннюю, соответствующую внутренним стандартам бизнеса, изменить категории элементов, границы областей и группировку содержимого, а затем продолжить использовать возможности OXR по распознаванию и определению порядка чтения. Причина проста: одна и та же группа изображений при архивном хранении может считаться единым целым, а при поиске — набором отдельных картинок; область с заголовком, текстом и рамкой одни компании разбирают как текст, другие предпочитают обрабатывать как таблицу. Оба требования законны, и подключаемая вёрстка позволяет их учесть.

Код и веса модели уже открыты, доступны онлайн-демо и бесплатный API, так что проверить OXR можно на собственных реальных документах. Для команд с более серьёзными производственными запросами существует движок SoMark на базе отдельных моделей. По сути, команда открывает сообществу наработки, накопленные за долгую работу над разбором документов, и заявляет простую ценность: превращать знания из документов в качественные данные, пригодные для ИИ, и заводить их в реальные бизнес-процессы.