OXR Đang hoạt động

OXR là mô hình phân tích tài liệu 1.3B do SoMark thuộc Shoukou Technology mã nguồn mở, hướng đến PDF/hình ảnh tài liệu, xuất Markdown/JSON thân thiện với Agent, có thể nhận dạng 13 loại thành phần như văn bản, bảng, công thức, phương trình/cấu trúc hóa học và mã nguồn, đồng thời cung cấp tọa độ bố cục và thứ tự đọc. Trong giai đoạn hậu huấn luyện, OXR áp dụng vòng lặp tự cải tiến RSI; mô hình đứng đầu cả ba bảng xếp hạng OmniDocBench, olmOCR-Bench và DocParsingBench, đồng thời có tốc độ phân tích dẫn đầu.

Chuyển tài liệu thành dữ liệu có cấu trúc: phân tích PDF và hình ảnh tài liệu thành Markdown/JSON để Agent và các hệ thống hạ nguồn sử dụng trực tiếp.
Nhận dạng nhiều loại thành phần: hỗ trợ 13 loại thành phần tài liệu như văn bản, bảng, công thức, phương trình hóa học, cấu trúc hóa học và khối mã.
Xuất thông tin bố cục: cung cấp tọa độ bounding box cho kết quả nhận dạng và sắp xếp nội dung theo thứ tự đọc.
Xử lý bố cục phức tạp: hỗ trợ các trường hợp khó như bài báo/báo nhiều cột, đề thi A3, văn bản viết dọc và chữ viết tay tiếng Trung, tiếng Anh.
Phân tích bố cục có thể tùy chỉnh: mô hình bố cục tích hợp có thể được thay thế để đáp ứng định nghĩa khác nhau của từng nghiệp vụ về loại thành phần, ranh giới khu vực và nhóm nội dung.
Tích hợp theo nhiều cách: cung cấp API miễn phí, Demo trực tuyến, triển khai cục bộ bằng Docker/mã nguồn, tương thích với SoMark CLI/SDK.

Theo dõi WeChat và trả lời “开源” để tham gia nhóm trao đổi dự án mã nguồn mở AI
Mô hình và huấn luyện: OXR là mô hình 1.3B tham số được tiền huấn luyện từ đầu. Trong giai đoạn hậu huấn luyện, mô hình áp dụng vòng lặp RSI dành cho phân tích tài liệu: nhiều mô hình cùng phân tích các mẫu lỗi và mẫu yếu, sau đó tự động tạo chiến lược và dữ liệu huấn luyện.
Phân công kiến trúc: hệ thống gồm mô hình Layout Analysis nhẹ và mô hình OXR chính; mô hình trước xác định các khu vực nội dung, còn mô hình sau hoàn tất nhận dạng nội dung và phán đoán thứ tự đọc trong cùng một giai đoạn, giảm chi phí sắp xếp độc lập và nâng cao khả năng phán đoán thứ tự nhờ quan hệ ngữ nghĩa.
Thiết kế có thể thay thế: chức năng phân tích bố cục được tách thành mô-đun độc lập, có thể thay bằng mô hình bố cục của bên thứ ba hoặc mô hình tự phát triển, đồng thời vẫn giữ khả năng nhận dạng nội dung và phán đoán thứ tự đọc của OXR, giảm chi phí thích ứng liên miền.
Tối ưu hiệu suất: tái cấu trúc quy trình phân tích ở cấp tác vụ, giúp mô hình nhỏ 1.3B đạt thông lượng cao hơn mà vẫn duy trì độ chính xác; theo so sánh chính thức trên RTX PRO 6000 với 100 trang trong cùng điều kiện, OXR mất khoảng 101 giây, nhanh hơn PaddleOCR-VL-1.6 và MinerU2.5-Pro.
Tích hợp kỹ thuật: API phân tích tương thích với SoMark, có thể tái sử dụng somark-py/somark-js/CLI; triển khai cục bộ đơn giản nhất bằng Docker all-in-one, còn triển khai từ mã nguồn cần khởi động riêng dịch vụ mô hình OXR, dịch vụ Layout Analysis và API phân tích.

Tải tài nguyên: clone kho GitHub, tải trọng số OXR-1.0 BF16 từ Hugging Face hoặc ModelScope.
Khởi động bằng Docker: build docker/Dockerfile.allinone và mount thư mục mô hình, sau khi khởi động truy cập localhost:8000/demo hoặc /docs.
Triển khai từ mã nguồn: lần lượt khởi động dịch vụ mô hình OXR, dịch vụ Layout Analysis, sau đó khởi động API phân tích tài liệu và cấu hình config.yaml.
Gửi yêu cầu phân tích: gọi /v1/parse/sync hoặc API bất đồng bộ, hoặc thay đổi base URL trong SoMark CLI/SDK rồi gửi tệp.
Nhận kết quả: chọn định dạng đầu ra như markdown/json, tải kết quả phân tích và kiểm tra tọa độ cùng thứ tự đọc.
Tích hợp sản xuất: sử dụng dịch vụ cục bộ hoặc dịch vụ thương mại SoMark, thay thế/tinh chỉnh mô-đun phân tích bố cục theo nghiệp vụ.

Dẫn đầu về độ chính xác trên ba bảng: đứng đầu OmniDocBench, olmOCR-Bench và DocParsingBench, với lợi thế rõ rệt hơn trong các trường hợp xử lý bảng.
Tốc độ cao: mô hình 1.3B mất khoảng 101 giây trong bài kiểm tra phân tích 100 trang với cùng điều kiện, được công bố là mô hình mã nguồn mở đứng đầu trong các mô hình tham gia.
Hỗ trợ nhiều loại thành phần: nhận dạng 13 loại thành phần tài liệu như văn bản, bảng, công thức, phương trình/cấu trúc hóa học và khối mã.
Đầu ra thân thiện với Agent: kết quả kèm tọa độ bố cục và thứ tự đọc, có thể trực tiếp chuyển thành Markdown/JSON để đưa vào quy trình làm việc.
Không ngừng phát triển: hậu huấn luyện sử dụng vòng lặp RSI, tự động tạo chiến lược và dữ liệu từ các mẫu lỗi/mẫu yếu, giảm sự phụ thuộc vào gán nhãn thủ công.
Chi phí thích ứng thấp: mô-đun phân tích bố cục độc lập và có thể thay thế, hỗ trợ thay bằng mô hình bố cục tùy chỉnh theo nghiệp vụ mà vẫn giữ khả năng nhận dạng và sắp xếp.

Kho GitHub: https://github.com/SoMarkAI/OXR
Kho mô hình HuggingFace: https://huggingface.co/SoMarkAI/OXR-1.0

Đưa dữ liệu vào kho tri thức RAG: chuyển PDF/tài liệu quét thành Markdown/JSON kèm cấu trúc và tọa độ, nâng cao chất lượng phân đoạn, truy xuất và trích dẫn.
Phân tích tài chính/báo cáo nghiên cứu: xử lý báo cáo nhiều cột, bảng phức tạp và chú thích biểu đồ, ổn định xuất cấu trúc bảng cùng thứ tự đọc.
Số hóa giáo dục và thi cử: phân tích đề thi A3, nội dung viết dọc/viết tay, phục vụ xây dựng ngân hàng câu hỏi, chấm bài và phân tích câu sai.
Quy trình nghiên cứu và xuất bản: nhận dạng công thức, phương trình/cấu trúc hóa học trong bài báo, chuyển thành LaTeX, mhchem, SMILES để tái sử dụng.
Agent tài liệu doanh nghiệp: cung cấp đầu vào có cấu trúc cho hợp đồng, sơ yếu lý lịch, hồ sơ và tài liệu mã nguồn; có thể thay thế mô-đun phân tích bố cục để thích ứng với bố cục theo ngành.