OXR 運営中

OXRは守扣科技（SoMark）がオープンソースで公開する1.3Bパラメータのドキュメント解析モデルです。PDFや文書画像を対象とし、Agentに適したMarkdown/JSONを出力します。テキスト、表、数式、化学反応式・構造式、コードなど13種類の要素を認識し、ページ上の座標と読み取り順序も提供します。OXRの事後学習にはRSI自己改善ループが導入されており、OmniDocBench、olmOCR-Bench、DocParsingBenchの3つのベンチマークで1位を獲得し、解析速度でも優れています。

文書の構造化データ変換：PDFや文書画像をMarkdown/JSONに解析し、Agentや下流システムで直接利用できます。
多要素認識：テキスト、表、数式、化学反応式、化学構造式、コードブロックなど、13種類の文書要素に対応します。
レイアウト情報の出力：認識結果にバウンディングボックスの座標を付与し、読み取り順序に沿って内容を整理します。
複雑なレイアウトへの対応：多段組みの論文・新聞、A3試験問題、縦書きテキスト、中国語・英語の手書きなど、難しいケースにも対応します。
カスタマイズ可能なレイアウト分析：内蔵レイアウトモデルを置き換えられ、要素の種類、領域の境界、内容のグループ化に関する各業務の定義に適応できます。
多様な導入方法：無料API、オンラインDemo、Dockerやソースコードによるローカルデプロイを提供し、SoMark CLI/SDKと互換性があります。

WeChatでフォローし「开源」と返信すると、AIオープンソースプロジェクトの交流グループに参加できます。
モデルと学習：OXRは1.3Bパラメータのモデルで、ゼロから事前学習されています。事後学習では、ドキュメント解析向けのRSIループを導入し、複数のモデルが誤りサンプルや弱いサンプルを分析して、学習戦略とデータを自動生成します。
アーキテクチャの分担：システムは軽量なLayout AnalysisモデルとOXRメインモデルで構成されます。前者がコンテンツ領域を特定し、後者が同一の認識段階で内容の認識と読み取り順序の判定を行います。独立した並べ替え処理を減らし、意味関係を利用して順序判定を向上させます。
プラグイン設計：レイアウト分析を独立モジュールに分離しており、サードパーティ製または自社開発のレイアウトモデルに置き換えられます。OXRの内容認識と読み取り順序の能力は維持されるため、異なる領域への適応コストを削減できます。
効率最適化：タスクレベルで解析フローを再構成し、1.3Bの小型モデルで精度を維持しながら、より高いスループットを実現します。公式のRTX PRO 6000による同条件・100ページの解析比較では、OXRは約101秒で、PaddleOCR-VL-1.6およびMinerU2.5-Proより高速です。
システム連携：解析APIはSoMarkと互換性があり、somark-py/somark-js/CLIを再利用できます。ローカル環境ではall-in-one Dockerが最も簡単で、ソースコードでデプロイする場合はOXRモデルサービス、Layout Analysisサービス、解析APIをそれぞれ起動する必要があります。

リソースのダウンロード：GitHubリポジトリをクローンし、Hugging FaceまたはModelScopeからOXR-1.0 BF16の重みをダウンロードします。
Dockerの起動：docker/Dockerfile.allinoneをビルドしてモデルディレクトリをマウントし、起動後にlocalhost:8000/demoまたは/docsへアクセスします。
ソースコードでのデプロイ：OXRモデルサービス、Layout Analysisサービスの順に起動し、その後ドキュメント解析APIを起動してconfig.yamlを設定します。
解析の実行：/v1/parse/syncまたは非同期インターフェースを呼び出すか、SoMark CLI/SDKのbase URLを変更してファイルを送信します。
結果の取得：markdown/jsonなどの出力形式を選択し、解析結果をダウンロードして座標と読み取り順序を確認します。
本番環境への導入：ローカルサービスまたはSoMarkの商用サービスを利用し、業務に応じてレイアウト分析モジュールを置き換えたり微調整したりします。

3つのベンチマークで最高精度：OmniDocBench、olmOCR-Bench、DocParsingBenchのすべてで1位を獲得しており、特に表の処理で優れています。
高速処理：1.3Bパラメータで同条件・100ページの解析テストを約101秒で完了し、公式比較対象のオープンソースモデル中で1位とされています。
幅広い要素に対応：テキスト、表、数式、化学反応式・構造式、コードブロックなど13種類の文書要素をサポートします。
Agentに適した出力：結果にレイアウト座標と読み取り順序が含まれ、Markdown/JSONに変換してワークフローへ直接組み込めます。
継続的な進化：事後学習にRSIループを採用し、誤りサンプルや弱いサンプルから戦略とデータを自動生成することで、手動アノテーションへの依存を減らします。
適応コストが低い：レイアウト分析は独立したプラグイン方式で、業務に合わせたレイアウトモデルに置き換えながら、認識と並べ替えの能力を維持できます。

GitHubリポジトリ：https://github.com/SoMarkAI/OXR
Hugging Faceモデルリポジトリ：https://huggingface.co/SoMarkAI/OXR-1.0

RAGナレッジベースへの登録：PDFやスキャン文書を構造と座標付きのMarkdown/JSONに変換し、チャンク分割、検索、引用の品質を向上させます。
金融・調査レポートの解析：多段組みのレポート、複雑な表、図表の説明を処理し、表構造と読み取り順序を安定して出力します。
教育・試験のデジタル化：A3試験問題、縦書き・手書きの内容を解析し、問題バンクの構築、採点、誤答分析に活用できます。
研究・出版ワークフロー：論文の数式、化学反応式・構造式を認識し、再利用しやすいLaTeX、mhchem、SMILESに変換します。
企業文書Agent：契約書、履歴書、文書記録、コード文書に構造化された入力を提供し、レイアウト分析モジュールを置き換えて業界固有の書式に適応できます。