OXR Inafanya kazi

OXR ni modeli ya uchanganuzi wa hati yenye vigezo 1.3B iliyotolewa kama chanzo huria na SoMark ya Shoukō Technology, inayolenga PDF/picha za hati na kutoa Markdown/JSON inayofaa kwa Agent. Inaweza kutambua aina 13 za vipengele, ikiwemo maandishi, majedwali, fomula, milinganyo/miundo ya kemikali na msimbo, huku ikitoa viwianishi vya mpangilio wa ukurasa na mfuatano wa usomaji. Baada ya mafunzo, OXR ilianzisha mzunguko wa RSI wa kujiboresha; imeorodheshwa ya kwanza katika OmniDocBench, olmOCR-Bench na DocParsingBench, na inaongoza kwa kasi ya uchanganuzi.

Kubadilisha hati kuwa data yenye muundo: Changanua PDF na picha za hati kuwa Markdown/JSON ili Agent na mifumo ya baadaye zitumie moja kwa moja.
Utambuzi wa vipengele vingi: Inashughulikia aina 13 za vipengele vya hati, ikiwemo maandishi, majedwali, fomula, milinganyo ya kemikali, miundo ya kemikali na vizuizi vya msimbo.
Kutoa maelezo ya mpangilio wa ukurasa: Hutoa viwianishi vya visanduku vya mipaka kwa matokeo ya utambuzi na kupanga maudhui kwa mfuatano wa usomaji.
Kushughulikia mipangilio changamano: Inasaidia karatasi/magazeti yenye safu nyingi, mitihani ya A3, maandishi ya wima na maandishi ya mkono ya Kichina na Kiingereza.
Uchanganuzi wa mpangilio unaoweza kubinafsishwa: Modeli ya mpangilio iliyojengewa ndani inaweza kubadilishwa ili kuendana na ufafanuzi tofauti wa kategoria za vipengele, mipaka ya maeneo na upangaji wa maudhui.
Njia nyingi za kuunganisha: Inatoa API ya bure, Demo ya mtandaoni na uwekaji wa ndani kupitia Docker/msimbo chanzi, ikiwa inaoana na SoMark CLI/SDK.

Fuata WeChat na ujibu “开源” ili kujiunga na kikundi cha majadiliano ya miradi ya AI ya chanzo huria
Modeli na mafunzo: OXR ni modeli yenye vigezo 1.3B iliyofunzwa kutoka mwanzo. Katika hatua ya baada ya mafunzo, ilianzisha mzunguko wa RSI unaolenga uchanganuzi wa hati: modeli nyingi huchanganua sampuli zenye makosa na sampuli dhaifu, kisha huzalisha kiotomatiki mikakati na data ya mafunzo.
Mgawanyo wa usanifu: Mfumo una modeli nyepesi ya Layout Analysis na modeli kuu ya OXR. Ya kwanza hutafuta maeneo ya maudhui, huku ya pili ikikamilisha utambuzi wa maudhui na uamuzi wa mfuatano wa usomaji katika hatua hiyo hiyo ya utambuzi, hivyo kupunguza gharama ya upangaji huru na kutumia uhusiano wa kisemantiki kuboresha uamuzi wa mfuatano.
Muundo unaoweza kuchomekwa: Uchanganuzi wa mpangilio umetenganishwa kuwa moduli huru inayoweza kubadilishwa na modeli ya mpangilio ya mtu mwingine au iliyotengenezwa ndani, huku uwezo wa OXR wa kutambua maudhui na kupanga mfuatano wa usomaji ukihifadhiwa; hii hupunguza gharama ya kuibadilisha kwa vikoa tofauti.
Uboreshaji wa ufanisi: Mchakato wa uchanganuzi umeundwa upya katika kiwango cha kazi, na kuifanya modeli ndogo ya 1.3B kupata upitishaji wa juu zaidi huku ikidumisha usahihi. Katika ulinganisho rasmi wa uchanganuzi wa kurasa 100 chini ya masharti sawa kwenye RTX PRO 6000, OXR ilichukua takriban sekunde 101, ikiwa haraka kuliko PaddleOCR-VL-1.6 na MinerU2.5-Pro.
Uunganishaji wa kihandisi: API ya uchanganuzi inaendana na SoMark, na inaweza kutumia tena somark-py/somark-js/CLI. Kwa uwekaji wa ndani, Docker ya all-in-one ndiyo njia rahisi zaidi; uwekaji kutoka msimbo chanzi unahitaji kuanzisha kando huduma ya modeli ya OXR, huduma ya Layout Analysis na API ya uchanganuzi.

Pakua rasilimali: Kloni hazina la GitHub, kisha pakua uzani wa OXR-1.0 BF16 kutoka Hugging Face au ModelScope.
Anzisha Docker: Jenga docker/Dockerfile.allinone na uunganishe saraka ya modeli, kisha baada ya kuanzisha tembelea localhost:8000/demo au /docs.
Uwekaji kutoka msimbo chanzi: Anzisha kwa mfuatano huduma ya modeli ya OXR, huduma ya Layout Analysis, kisha API ya uchanganuzi wa hati na usanidi config.yaml.
Anzisha uchanganuzi: Ita /v1/parse/sync au kiolesura cha asinchroni, au tumia SoMark CLI/SDK baada ya kubadilisha base URL ili kuwasilisha faili.
Pata matokeo: Chagua umbizo la towe kama markdown/json, pakua matokeo ya uchanganuzi na ukague viwianishi pamoja na mfuatano wa usomaji.
Uunganishaji wa uzalishaji: Tumia huduma ya ndani au huduma ya kibiashara ya SoMark, na ubadilishe/rekebisha moduli ya uchanganuzi wa mpangilio kulingana na mahitaji ya biashara.

Usahihi unaoongoza katika viwango vitatu: Imeorodheshwa ya kwanza katika OmniDocBench, olmOCR-Bench na DocParsingBench, huku ikiwa na faida kubwa zaidi katika hali za majedwali.
Kasi ya juu: Ikiwa na vigezo 1.3B, ilichukua takriban sekunde 101 katika jaribio la uchanganuzi wa kurasa 100 chini ya masharti sawa; rasmi imeorodheshwa ya kwanza kati ya modeli za chanzo huria zilizojaribiwa.
Ufunikaji mpana wa vipengele: Inasaidia aina 13 za vipengele vya hati, ikiwemo maandishi, majedwali, fomula, milinganyo/miundo ya kemikali na vizuizi vya msimbo.
Towe linalofaa kwa Agent: Matokeo yana viwianishi vya mpangilio wa ukurasa na mfuatano wa usomaji, na yanaweza kubadilishwa moja kwa moja kuwa Markdown/JSON kwa matumizi katika mtiririko wa kazi.
Maendeleo endelevu: Mafunzo ya baadae hutumia mzunguko wa RSI kuzalisha kiotomatiki mikakati na data kwa kutumia sampuli zenye makosa/sampuli dhaifu, hivyo kupunguza utegemezi wa uwekaji lebo wa mikono.
Gharama ndogo ya urekebishaji: Uchanganuzi wa mpangilio ni huru na unaweza kuchomekwa; modeli maalum ya mpangilio wa biashara inaweza kubadilishwa huku uwezo wa utambuzi na upangaji ukihifadhiwa.

Hazina la GitHub：https://github.com/SoMarkAI/OXR
Hazina la modeli la HuggingFace：https://huggingface.co/SoMarkAI/OXR-1.0

Kuingiza kwenye hifadhidata ya maarifa ya RAG: Badilisha PDF/nyaraka zilizochanganuliwa kuwa Markdown/JSON yenye muundo na viwianishi, ili kuboresha ukataji wa vipande, urejeshaji na ubora wa marejeo.
Uchanganuzi wa fedha/tafiti za soko: Shughulikia tafiti zenye safu nyingi, majedwali changamano na maelezo ya chati, huku ukitoa kwa uthabiti muundo wa majedwali na mfuatano wa usomaji.
Uwekaji wa kidijitali wa elimu na mitihani: Changanua mitihani ya A3 na maudhui ya wima/maandishi ya mkono kwa ajili ya ujenzi wa benki ya maswali, usahihishaji wa mitihani na uchanganuzi wa makosa.
Mchakato wa utafiti na uchapishaji: Tambua fomula za karatasi za utafiti pamoja na milinganyo/miundo ya kemikali, kisha zibadilishe kuwa LaTeX, mhchem na SMILES kwa matumizi tena.
Agent wa hati za biashara: Toa ingizo lenye muundo kwa mikataba, wasifu, kumbukumbu na hati za msimbo; moduli ya uchanganuzi wa mpangilio inaweza kubadilishwa ili kuendana na mipangilio ya sekta.