国产1.3B开源OCR模型登顶全球第一，三榜夺冠

近日，一个参数量仅1.3B的国产开源文档解析模型OXR（Optical Everything Recognition）在OmniDocBench、olmOCR-Bench和DocParsingBench三项榜单均获第一，GitHub Star已超1.1K，并一度成为推特热门。该模型可解析表格、公式、代码块、图片、化学方程式、脚注、页眉页脚、印章等13类文档元素，支持高数手写笔记转MD、化学结构图识别、双栏排版解析等，输出保留语义结构与阅读顺序的结构化MD，公式转为标准LaTeX。单张RTX PRO 6000完成100页端到端文档解析仅需101秒，开源第一；1.3B参数可在RTX 3060上满血运行。

其高准确率主要来自后训练阶段引入的递归自我改进（RSI）训练范式，不依赖新增人工标注，让系统自己找错、归因、生成数据并迭代。流程分三阶段：预测与分类阶段，用通用多模态模型将解析结果分为Correct、Wrong、Uncertain三类，并对高分歧样本做图像扰动以定位视觉脆弱点；归因与训练规划阶段，由通用VLM诊断错误原因，经SigLIP2提取特征并聚类形成原因簇；数据生成阶段，结合原因簇与真实样本版式风格生成新数据，校验后回流训练下一代模型。

架构上，OXR采用独立轻量模型负责版面分析（LA），主模型同时负责内容识别与阅读顺序判断（RO），替代此前将LA与RO合并再由识别模型接力的方案。该设计抹平了阅读顺序带来的性能损耗，并因主模型具备语义理解能力提升了阅读顺序判断准确率；同时LA模块独立可插拔，可针对不同业务需求灵活替换。