OXR开源1.3B模型登顶三大文档解析榜单，RSI训练法成关键突破

一个参数量仅1.3B的开源模型，在发布一周内GitHub获星超1000，推特话题阅读破百万，并登上全球开发者社区热门新闻榜——这不是又一款大语言模型，而是专攻文档智能解析的OXR（Optical Everything Recognition）。

该模型在三项国际主流文档理解基准测试中全部排名第一：OmniDocBench得分97.18，olmOCR-Bench为87.84，DocParsingBench达87.76。这三者分别由上海人工智能实验室、AI2团队及多行业真实场景构成，覆盖学术论文、手写笔记、化学结构图、双栏排版、跨页表格等长期困扰传统OCR系统的复杂案例。

传统OCR工具面对一份普通PDF常表现乏力：双栏文本串行、手写公式识别错误、表格结构错乱、化学式被当作杂线丢弃。这类低质量提取一旦进入RAG或Agent工作流，下游任务几乎必然失败。而OXR宣称可一次性识别13类文档元素，包括表格、公式、代码块、脚注、页眉页脚、印章乃至化学方程式，并输出结构化Markdown或标准LaTeX代码。

实测显示，其端到端处理效率突出：单张RTX PRO 6000显卡完成100页文档解析仅耗时101秒；即便使用消费级RTX 3060，也能本地部署运行。这种“小模型高精度”路径，大幅降低了专业文档AI处理的门槛。

OXR的核心技术突破在于后训练阶段引入的RSI（Recursive Self-Improvement）训练范式。不同于依赖百亿参数与海量人工标注的传统路线，RSI通过模型自我生成高质量合成数据并持续迭代优化，有效缓解了文档领域标注成本高、长尾Case难以穷尽的问题。

具体而言，RSI允许模型在无监督或弱监督条件下，对自身输出进行反思、修正与再训练，形成闭环增强。这一思路与近期谷歌开源的Harness²框架理念相近——后者同样强调通过轻量级推理时优化，使Gemini 3.5 Flash等模型性能显著跃升。尽管OXR与Harness²分属不同任务领域，但二者共同指向一个趋势：大模型之后，高效训练范式正成为新一轮性能跃迁的关键杠杆。

值得注意的是，OXR并非孤立案例。同期，月之暗面发布的Kimi K3.1 Pro在多项编码与Agent基准中亦全面领先GPT-4 Astra，其开源权重版本被机构研报评为当前评分最高的开放模型，闭源与开源能力差距从12分收窄至仅3分。这表明，开源模型在专业垂直场景的竞争力已不可忽视。

文档解析看似“非前沿”，实则为AI落地的关键基础设施。高质量上下文输入是RAG、Agent、知识库构建的前提，而过往工具链在此环节长期存在断点。OXR的出现，意味着企业或研究者可低成本获得接近人工校对质量的文档预处理能力。

例如，科研人员可将扫描版古籍、手写讲义一键转为结构化Markdown；金融从业者能快速提取年报中的表格与附注；教育场景下，数学试卷、化学实验报告亦可被精准解析用于自动批改或题库构建。更进一步，当文档输出具备Agent-Friendly格式（如带语义标签的JSON），即可无缝接入智能体工作流，实现“文档→理解→决策→执行”的闭环。

开源策略亦具现实意义。相比动辄27B以上的LLM，1.3B参数量使OXR可在主流消费级GPU上部署，极大拓展了适用人群。目前其完整训练代码、评测脚本与推理接口均已公开，支持复现与二次开发。

行业观察指出，文档智能正从“辅助工具”转向“基础能力层”。过去十年OCR以字符识别准确率为核心指标；如今，结构还原、语义连贯性、跨模态一致性（如图像+公式+文本协同理解）成为新标尺。OXR在这些维度的综合表现，反映出模型设计从“局部最优”向“系统级鲁棒性”的演进。

此外，其命名“Optical Everything Recognition”本身即具象征意义——不再局限于光学字符识别（OCR），而是试图统一处理所有视觉化信息载体，涵盖图表、符号、排版逻辑甚至隐含语境。

值得留意的是，OXR尚未披露具体训练数据来源与算力投入细节，其长期稳定性、多语言支持能力及对抗干扰样本的表现仍有待更多第三方验证。但就当前公开结果而言，它确实在有限参数规模下实现了精度与速度的双重突破，为垂直小模型提供了可复现的技术路径。

随着RSI类自进化训练方法逐步成熟，未来或将涌现更多“小而强”的领域专用模型。这类模型不追求通用智能，却能在特定任务上逼近甚至超越大模型表现，从而真正推动AI从实验室走向规模化产业应用。