OXR آپریشن میں

OXR،守扣科技 SoMark کا اوپن سورس کردہ 1.3B دستاویز پارسنگ ماڈل ہے، جو PDF/دستاویز کی تصاویر کے لیے بنایا گیا ہے۔ یہ Agent دوستانہ Markdown/JSON آؤٹ پٹ فراہم کرتا ہے، متن، جدولوں، فارمولوں، کیمیائی مساوات، کیمیائی ساختی فارمولوں، کوڈ سمیت 13 اقسام کے عناصر کو پہچان سکتا ہے، اور صفحے کے لے آؤٹ کے نقاط اور مطالعے کی ترتیب فراہم کرتا ہے۔ OXR کی بعد از تربیت میں RSI خودکار بہتری کا چکر شامل کیا گیا ہے؛ یہ OmniDocBench، olmOCR-Bench اور DocParsingBench تینوں بینچ مارکس میں اول ہے اور پارسنگ کی رفتار میں بھی سبقت رکھتا ہے۔

دستاویز کو ساختی ڈیٹا میں تبدیل کرنا: PDF اور دستاویز کی تصاویر کو Markdown/JSON میں پارس کرتا ہے، تاکہ Agent اور زیریں نظام انہیں براہِ راست استعمال کر سکیں۔
متعدد عناصر کی شناخت: متن، جدول، فارمولہ، کیمیائی مساوات، کیمیائی ساختی فارمولہ، کوڈ بلاک سمیت 13 اقسام کے دستاویزی عناصر کو سپورٹ کرتا ہے۔
لے آؤٹ کی معلومات کا اخراج: شناخت شدہ نتائج کے لیے باؤنڈنگ باکس کے نقاط فراہم کرتا ہے اور مواد کو مطالعے کی ترتیب میں منظم کرتا ہے۔
پیچیدہ لے آؤٹ کی پراسیسنگ: کثیر کالمی تحقیقی مقالات/اخبارات، A3 امتحانی پرچے، عمودی متن اور چینی و انگریزی ہاتھ سے لکھے متن جیسے مشکل نمونوں کو سپورٹ کرتا ہے۔
قابلِ تخصیص لے آؤٹ تجزیہ: بلٹ اِن لے آؤٹ ماڈل کو تبدیل کیا جا سکتا ہے، تاکہ عناصر کی اقسام، علاقوں کی حدود اور مواد کی گروپ بندی سے متعلق مختلف کاروباری تقاضوں کے مطابق ڈھالا جا سکے۔
متعدد طریقوں سے انضمام: مفت API، آن لائن Demo، اور Docker/سورس کوڈ کے ذریعے مقامی تنصیب فراہم کرتا ہے، اور SoMark CLI/SDK کے ساتھ مطابقت رکھتا ہے۔

WeChat پر فالو کریں اور “开源” کا جواب بھیج کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
ماڈل اور تربیت: OXR ایک 1.3B پیرامیٹر ماڈل ہے جسے ابتدا سے پری ٹرین کیا گیا ہے۔ بعد از تربیت مرحلے میں دستاویز پارسنگ کے لیے RSI کا خودکار چکر شامل ہے: متعدد ماڈلز غلط اور کمزور نمونوں کا تجزیہ کرتے ہیں اور تربیتی حکمتِ عملی و ڈیٹا خودکار طور پر تیار کرتے ہیں۔
آرکیٹیکچر کی تقسیم: نظام ہلکے Layout Analysis ماڈل اور OXR کے مرکزی ماڈل پر مشتمل ہے؛ پہلا مواد کے علاقوں کی نشاندہی کرتا ہے، جبکہ دوسرا اسی شناختی مرحلے میں مواد کی شناخت اور مطالعے کی ترتیب کا تعین مکمل کرتا ہے، جس سے الگ ترتیب سازی کی لاگت کم ہوتی ہے اور معنوی تعلقات کے ذریعے ترتیب کے تعین میں بہتری آتی ہے۔
قابلِ توسیع ڈیزائن: لے آؤٹ تجزیے کو ایک آزاد ماڈیول میں تقسیم کیا گیا ہے، جسے تیسرے فریق یا خود تیار کردہ لے آؤٹ ماڈل سے بدلا جا سکتا ہے، جبکہ OXR کی مواد شناخت اور مطالعے کی ترتیب کی صلاحیت برقرار رہتی ہے، اس طرح مختلف شعبوں کے مطابق ڈھالنے کی لاگت کم ہوتی ہے۔
کارکردگی میں بہتری: کام کی سطح پر پارسنگ کے عمل کو ازسرِنو ترتیب دے کر 1.3B کے چھوٹے ماڈل کو درستگی برقرار رکھتے ہوئے زیادہ تھروپٹ فراہم کرنے کے قابل بنایا گیا ہے؛ RTX PRO 6000 پر یکساں حالات میں 100 صفحات کی پارسنگ کے سرکاری موازنے میں OXR کو تقریباً 101 سیکنڈ لگے، جو PaddleOCR-VL-1.6 اور MinerU2.5-Pro سے تیز ہے۔
انجینئرنگ انضمام: پارسنگ API، SoMark کے ساتھ مطابقت رکھتا ہے اور somark-py/somark-js/CLI کو دوبارہ استعمال کیا جا سکتا ہے؛ مقامی تنصیب کے لیے all-in-one Docker سب سے آسان ہے، جبکہ سورس کوڈ سے تنصیب میں OXR ماڈل سروس، Layout Analysis سروس اور پارسنگ API کو الگ الگ شروع کرنا پڑتا ہے۔

وسائل ڈاؤن لوڈ کریں: GitHub ریپوزٹری کلون کریں، پھر Hugging Face یا ModelScope سے OXR-1.0 BF16 وزن ڈاؤن لوڈ کریں۔
Docker شروع کریں: docker/Dockerfile.allinone بنائیں، ماڈل ڈائریکٹری کو ماؤنٹ کریں، اور شروع ہونے کے بعد localhost:8000/demo یا /docs پر جائیں۔
سورس کوڈ سے تنصیب: پہلے OXR ماڈل سروس، پھر Layout Analysis سروس، اور اس کے بعد دستاویز پارسنگ API شروع کریں اور config.yaml ترتیب دیں۔
پارسنگ شروع کریں: /v1/parse/sync یا غیر متزامن API کو کال کریں، یا SoMark CLI/SDK میں base URL تبدیل کر کے فائل جمع کریں۔
نتائج حاصل کریں: markdown/json جیسے آؤٹ پٹ فارمیٹ کا انتخاب کریں، پارسنگ کا نتیجہ ڈاؤن لوڈ کریں اور نقاط و مطالعے کی ترتیب کی جانچ کریں۔
پروڈکشن انضمام: مقامی سروس یا SoMark کی تجارتی سروس استعمال کریں، اور کاروباری ضرورت کے مطابق لے آؤٹ تجزیہ ماڈیول کو تبدیل یا باریک تربیت دیں۔

تینوں بینچ مارکس میں اعلیٰ درستگی: OmniDocBench، olmOCR-Bench اور DocParsingBench تینوں میں پہلی پوزیشن، جبکہ جدولوں کے منظرناموں میں برتری زیادہ نمایاں ہے۔
تیز رفتار: یکساں حالات میں 100 صفحات کی پارسنگ کے ٹیسٹ میں 1.3B پیرامیٹر ماڈل کو تقریباً 101 سیکنڈ لگے؛ سرکاری فہرست میں شامل اوپن سورس ماڈلز میں یہ پہلے نمبر پر ہے۔
وسیع عنصر کوریج: متن، جدول، فارمولہ، کیمیائی مساوات/ساختی فارمولہ، کوڈ بلاک سمیت 13 اقسام کے دستاویزی عناصر کو سپورٹ کرتا ہے۔
Agent دوستانہ آؤٹ پٹ: نتائج میں لے آؤٹ کے نقاط اور مطالعے کی ترتیب شامل ہوتی ہے، جنہیں براہِ راست Markdown/JSON میں تبدیل کر کے ورک فلو میں شامل کیا جا سکتا ہے۔
مسلسل ارتقا: بعد از تربیت RSI کے خودکار چکر کو استعمال کرتی ہے، جو غلط اور کمزور نمونوں سے حکمتِ عملی و ڈیٹا خودکار طور پر تیار کرتا ہے اور دستی لیبلنگ پر انحصار کم کرتا ہے۔
کم موافقتی لاگت: لے آؤٹ تجزیہ آزاد اور قابلِ توسیع ہے؛ کاروباری حسبِ ضرورت لے آؤٹ ماڈل سے بدلا جا سکتا ہے، جبکہ شناخت اور ترتیب سازی کی صلاحیت برقرار رہتی ہے۔

GitHub ریپوزٹری：https://github.com/SoMarkAI/OXR
HuggingFace ماڈل ریپوزٹری：https://huggingface.co/SoMarkAI/OXR-1.0

RAG نالج بیس میں اندراج: PDF/اسکین شدہ دستاویزات کو ساختی نقاط کے حامل Markdown/JSON میں تبدیل کرتا ہے، جس سے ٹکڑوں، بازیافت اور حوالہ جات کا معیار بہتر ہوتا ہے۔
مالیاتی/تحقیقی رپورٹ پارسنگ: کثیر کالمی تحقیقی رپورٹس، پیچیدہ جدولوں اور چارٹ کی وضاحتوں کو پراسیس کرتا ہے اور جدول کی ساخت و مطالعے کی ترتیب مستحکم طور پر فراہم کرتا ہے۔
تعلیم اور امتحانات کی ڈیجیٹلائزیشن: A3 امتحانی پرچوں، عمودی/ہاتھ سے لکھے مواد کو پارس کرتا ہے، اور سوالاتی بینک، پرچوں کی جانچ اور غلط سوالات کے تجزیے میں مدد دیتا ہے۔
تحقیق و اشاعت کا عمل: تحقیقی مقالات کے فارمولوں، کیمیائی مساوات/ساختی فارمولوں کو پہچانتا ہے اور انہیں LaTeX، mhchem اور SMILES میں تبدیل کرتا ہے تاکہ دوبارہ استعمال آسان ہو۔
انٹرپرائز دستاویز Agent: معاہدوں، ریزیومے، آرکائیوز اور کوڈ دستاویزات کے لیے ساختی ان پٹ فراہم کرتا ہے؛ لے آؤٹ تجزیہ ماڈیول کو تبدیل کر کے صنعتی لے آؤٹ کے مطابق ڈھالا جا سکتا ہے۔