国产开源OXR 1.3B模型通过递归自我改进范式，斩获三项国际文档解析榜单全球第一

一句话结论

国产开源模型OXR依托递归自我改进技术，在三项国际文档解析基准测试中取得全球第一。

关键要点

• OXR（1.3B参数）在OmniDocBench得分97.18，位列全球第一。
• 在olmOCR-Bench得分87.84，在全球榜单中排名第一。
• 在DocParsingBench得分87.76，登顶该基准测试全球榜首。
• 单张NVIDIA RTX PRO 6000显卡完成100页端到端解析耗时101.0秒。
• 提供免注册免密钥API及适配vLLM的Docker部署方案，代码权重全开源。

背景与事实

SoMark AI团队研发的OXR 1.0是一款基于递归自我改进（RSI, Recursive Self-Improvement）后训练范式的国产开源模型，模型参数量级为1.3B，目前Hugging Face模型权重以OXR-1.0命名发布，GitHub仓库地址为github.com/SoMarkAI/OXR。在训练方法论上，OXR包含预测分类、归因规划与数据生成三个核心阶段，利用通用多模态模型辅助分析，整个流程不依赖新增人工标注数据。架构设计方面，模型采用轻量级版面分析（LA）模块与负责识别及阅读顺序的主模型分离设计，支持模块可插拔替换，能解析表格、公式、代码等13类文档元素，并生成结构化Markdown或LaTeX代码。

在性能测试数据上，OXR在OmniDocBench取得97.18分、olmOCR-Bench取得87.84分、DocParsingBench取得87.76分，宣称在上述三项全球榜单中位列第一。速度指标方面，在单张NVIDIA RTX PRO 6000显卡上，OXR完成100页端到端文档解析仅需101.0秒。生态支持上，团队提供免费在线Demo及免费API接口（免注册、免密钥），并提供了适配vLLM等主流推理框架的官方Docker/CLI部署方案，全套代码、权重及评测流程已向公众开源。SoMark团队除发布OXR开源模型外，还商业化提供可处理Word、PPT等格式的商业引擎，官网为somark.cn。同期行业动态显示，2026年10月19日谷歌曾开源RSI新成果，OXR的发布与RSI技术路线的开源化趋势存在时间关联。

影响分析

对于中文开发者而言，OXR 1.0的开源策略与免注册免密钥API接口大幅降低了文档解析技术的接入门槛，开发者可快速在本地环境部署验证，无需承担高昂的算力与授权成本。其1.3B的参数量级配合单卡RTX PRO 6000百秒处理百页的性能指标，使得中小团队在本地服务器即可完成较高吞吐量的文档结构化任务，无需依赖云端GPU集群。递归自我改进范式与模块可插拔设计为后续自研文档处理管线提供了可复用的工程架构参考，开发者可在保留识别主模型的同时，针对特定行业（如金融、法律）替换版面分析模块。

在行业竞争格局上，OXR在OmniDocBench等三个基准测试中取得全球第一的宣称结果，若经独立复测验证，将改变该领域由国际模型主导的竞争态势，为国产OCR技术提供了具有公信力的性能背书。同期谷歌RSI成果的开源化与OXR的发布共同表明，递归自我改进正从理论探索走向工程落地，这要求中文技术团队快速跟进该后训练范式，以维持在多模态文档理解领域的技术代际优势。

适用边界

上述结论在缺乏独立第三方复测的条件下不成立，OXR在三项榜单取得全球第一的宣称结果需等待公开评测复现后方可确认为最终结论。单卡百秒处理百页的性能指标仅在NVIDIA RTX PRO 6000显卡环境下有效，在消费级显卡或CPU推理场景下耗时将呈非线性增长。不依赖新增人工标注的声明仅在训练阶段成立，若目标文档包含大量非标准排版（如古籍、手写体、多栏复杂图表），现有RSI范式在数据生成阶段的归因规划能力存在未被验证的边界，该场景下性能可能显著劣于榜单测试基准。

孤本观察

基于本文事实，编辑判断认为OXR 1.0将递归自我改进范式直接应用于1.3B小参数模型并同步开放免注册API，是国产团队在成本控制与技术验证间寻找平衡点的务实策略。该模型是否能在脱离基准榜单的长尾复杂文档中保持全球第一的宣称水平，仍取决于独立复测数据，当前结论应保留验证空间。

来源：量子位