1.3B 参数三榜第一：国产 OXR 靠“自己找错”重写了文档解析

文档解析听起来不像一个性感的方向，但它几乎卡住了所有 RAG 系统的脖子：PDF 里的双栏论文、手写公式、跨页大表格、化学结构式，只要提取错一处，后面的检索和工具调用就会连环失效。最近，一个只有 1.3B 参数的国产开源模型，把这块硬骨头啃出了新结果。

一分钟速览

• OXR（Optical Everything Recognition）是一个 1.3B 参数的文档解析模型，三个权威榜单同时登顶。
• OmniDocBench 得分 97.18，olmOCR-Bench 87.84，DocParsingBench 87.76，均为第一。
• 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。
• 单张 RTX PRO 6000 完成 100 页端到端解析仅需 101 秒；一张 RTX 3060 就能跑起来。
• 核心方法是在后训练阶段引入面向文档解析的递归自我改进（RSI），不依赖新增人工标注。

传统 OCR 到底难在哪

一份看起来平平无奇的 PDF，丢给传统 OCR 往往是灾难现场：双栏论文的阅读顺序会串行，手写公式被识别成乱码，跨页大表格的结构直接崩解，化学结构式则被当成杂乱线条丢弃。这些错误不会停留在解析层，它们会顺着 RAG 管道往下游传，最终让模型给出一个看似合理、实则建立在错误上下文上的答案。

OXR 的野心是“解析一切”。它不只输出文字，而是尽量保留语义结构和阅读顺序：杂志排版能转成结构化 Markdown，数理公式能转成标准 LaTeX，双列文献不因排版而降低质量，连数学试卷也能处理。对需要把纸质资料、扫描件、复杂报表喂给大模型的团队来说，这种能力比单纯的字符识别率更有价值。

为什么小模型能赢

关键不在参数量，而在后训练。文档解析有一个被忽视的特性：每一份输入都有客观确定的标准答案。文字对不对、表格跨行跨列有没有错、公式符号有没有漏，都可以被精确测量。既然能客观判断对错，就不必完全依赖人工标注来喂模型。

OXR 的 RSI 训练大致分三步。第一步是预测与分类：模型先解析海量无标签真实文档，再由通用多模态模型结合原图、解析结果和评判标准，把样本分成 Correct、Wrong、Uncertain 三类。保留 Uncertain 是一个反直觉但关键的细节——如果只给“对/错”两个选项，评判模型的犹豫会被强行包装成确定标签，最后把噪声喂进下一轮训练。除此之外，模型还会对同一份文档做多次 rollout 采样：如果几次结果差异很大，即使碰巧蒙对，也会被丢进 Uncertain 集合。系统还会在语义不变的前提下做轻微图像扰动，比如缩放、压缩、模糊或平移；如果扰动后分歧扩大，说明模型对无害的视觉变化过度敏感，这个扰动就会被记录为“病因”，指导下一次补强。

第二步是归因与训练规划：把错样本和弱样本筛出来后，不能直接回炉，而要先搞清楚它到底错在哪，再针对性地准备下一轮训练数据。第三步是迭代：模型自己找错、自己分析原因、自己准备数据、自己进化。整个过程不依赖新增的人类手工标注，数据准备的速度不再死死卡住模型进化的脖子。

开源的意义不一样

这类垂直小模型的开源，和动辄几十亿参数的大模型开源，意义并不相同。一个 27B 的模型，本地部署成本对普通用户来说仍然高得离谱；而 1.3B 的 OXR，一张 RTX 3060 基本就能满血跑。对中小团队、个人开发者、需要处理敏感文档的机构来说，这才是“能真正用起来”的开源。

目前该项目在海外开发者社区已经获得 1.1K 以上的 GitHub Star，并一度成为社交平台的热门讨论对象。评测流程和代码也全部开源、可复现，这一点比单纯的榜单分数更重要——它意味着结果可以被独立验证，而不是只能相信一张截图。

趋势洞察

RSI 正在从“概念”变成“工程方法”。当任务本身有可验证的客观标准，模型就可以在少量人类监督下自我迭代，这对文档解析、代码生成、结构化抽取这类“对错分明”的领域尤其有效。OXR 给出的启示是：下一阶段的竞争，未必是谁的模型更大，而是谁能设计出更好的“自我纠错回路”。对小模型来说，这可能是一条绕开算力军备竞赛的路。