OXR 开源：1.3B 文档解析模型三榜第一，免注册免费 API 把 RAG 摄入成本锁在一张卡

一次发布，两件东西

SoMark 于 10 月 20 日开源了 OXR（Optical Everything Recognition）：一个 1.3B 参数的文档解析模型，外加一个免注册、免 Key 的托管 API。权重在 Hugging Face 和 ModelScope，代码在 GitHub，瞄准的是 RAG 与 Agent 的数据摄入环节——把 PDF 和文档图片转成带版面坐标的 Markdown 或 JSON。模型一次识别 13 类元素：表格、公式、化学方程式、化学结构、代码块，A3 试卷、竖排文本、手写体也在支持范围。输出格式也做了区分：表格走 HTML/Markdown，公式用 LaTeX，化学方程式用 mhchem，结构式给 SMILES。相比此前 MinerU、PaddleOCR 这类工具方案，OXR 把版面分析和识别阅读顺序收进同一个模型，省掉了串联环节。

三榜第一，但都出自开发方

按 SoMark 公开的评测报告（厂商自报），OXR 在 olmOCR-Bench、OmniDocBench、DocParsingBench 上分别拿到 87.84、97.18、87.76，三项均为开源第一；DocParsingBench 的整体、文本、公式、表格四个子项也全部领先，对比的是 17 个系统，对方分数取自各自的论文与官方榜单。速度端，在同一张 NVIDIA RTX PRO 6000（96GB）上跑 100 页 OmniDocBench 冻结子集，OXR 平均 100.972 秒（约 0.99 页/秒），比第二快的 OvisOCR2（134.778 秒）吞吐高 33.5%。这组数字在多家媒体里交叉引用一致，但源头仍是开发方自测，评测管线虽已公开，社区独立复现的结果还得再观察。

API 视角：先白嫖，再谈生产

托管 API 无需注册和 Key，在线 Demo 直接上传文档就能看到解析效果；pip 装个 somark CLI，PDF 就能转成 Markdown/JSON。对开发者这是门槛最低的试用通道，但官方明确：请求走队列，只适合测试。要进生产就自托管——Linux 加支持 BF16 的 NVIDIA GPU，24GB 显存够低并发测试，长文档建议 48GB 起步。CLI 与官方 SDK（somark-py、somark-js）和托管 API 走同样的路径与响应结构，改个 Base URL 就能从免费服务切到自建服务，迁移成本很低。按单卡约 1 页/秒算，处理 1 万页文档大约 3 小时；对比逐页调大模型 API 的通用做法，文档解析环节的 token 账单基本归零，硬件成本锁死在一张 48GB 卡以内。这是"垂类小模型"路线最直接的 ROI 叙事：任务收窄一分，成本曲线就塌一块。

选型与合规提醒

协议是基于 Apache 2.0 的定制许可证：总融资或年收入低于 200 万美元的机构可免商用费；超过任一门槛需另签商业许可，且不允许提供竞争性托管 API。做 RAG 管线的团队建议先拿最乱的真实文档（发票、合同、多栏 PDF）压测，这比看榜单分数更接近生产表现；版面分析模块可插拔，元素类别对不上时可以替换内置 layout 模型，保留识别与阅读顺序部分。训练侧的 RSI（递归自我改进）后训练循环据称是文档解析领域首次：通用 VLM 复审输出、分歧样本自动聚类定位原因、自动规划下一轮训练数据，全程免人工标注。官方预告技术报告将发布。

观察一句：免费 API、开源权重、小额机构免商用费，是三个互相咬合的获客动作；OXR 真正的壁垒不在 1.3B 的分数本身，而在把评测管线公开、可复现这套"让人信"的基建做在了前面。