Chinesisches Team veröffentlicht Dokumentenmodell OXR als Open Source
Modelle
Ein chinesisches Entwicklerteam, das für das Produkt SoMark bekannt ist, hat das Dokumentenanalyse-Modell OXR als Open Source veröffentlicht. Das Hauptmodell hat 1,3 Milliarden Parameter und erreicht nach Angaben des Teams in drei Benchmarks jeweils den ersten Platz. Beim vollständigen Parsing soll OXR zudem schneller arbeiten als die Vergleichsmodelle PaddleOCR-VL-1.6 und MinerU2.5-Pro.
OXR steht für Optical Everything Recognition und verarbeitet laut der Meldung 13 Arten von Dokumentelementen, darunter Tabellen, Formeln und chemische Strukturen. Ausgegeben wird Markdown oder JSON samt Layout-Koordinaten. In den Benchmarks OmniDocBench, olmOCR-Bench und DocParsingBench erzielte das Modell 97,18, 87,84 und 87,76 Punkte. Beim Parsen von 100 zufällig aus OmniDocBench gewählten Seiten auf einer RTX PRO 6000 Blackwell (96GB) benötigte OXR rund 101 Sekunden, PaddleOCR-VL-1.6 rund 145 Sekunden und MinerU2.5-Pro rund 255 Sekunden. Die Architektur trennt ein leichtes Layout-Analyse-Modell von einem Hauptmodell für Inhaltserkennung und Lesereihenfolge. Im Nachtraining setzt das Team laut eigener Darstellung erstmals ein rekursives Selbstverbesserungsverfahren (RSI) ein, bei dem Fehler- und Schwachstellen-Beispiele automatisch in die nächste Trainingsrunde einfließen, ohne manuelle Annotation.
Code und Modellgewichte stehen auf GitHub und Hugging Face bereit, dazu gibt es eine Online-Demo und eine kostenlose API. Laut der Meldung sammelte das Projekt innerhalb einer Woche über 1000 Sterne auf GitHub und mehr als eine Million Aufrufe auf X.
Für mich ist das Auffällige, dass ein kleines Modell mit 1,3 Milliarden Parametern hier gleichzeitig genauer und schneller sein soll als etablierte Open-Source-Parser wie PaddleOCR-VL und MinerU. Wenn sich das bestätigt, verschiebt sich für Entwickler von RAG- und Agent-Systemen die Abwägung zwischen Modellgröße und Qualität: Man müsste nicht mehr zwangsläufig große Modelle einsetzen, um komplexe Dokumente wie Tabellen oder Formeln zuverlässig zu verarbeiten. Die pluggable Layout-Analyse ist dabei der praktische Teil, der Unternehmen mit eigenen Dokumentstandards direkt betrifft.
Offen bleibt: Der Text stammt laut eigener Kennzeichnung direkt vom SoMark-Team und wurde von Quantum Bit nur mit Genehmigung weiterverbreitet, alle Benchmark-Werte sind also Selbstangaben ohne unabhängige Prüfung.
Quelle: Quantum Bit RSSHub
