一个参数量只有1.3B的小模型，在全球三项文档解析基准测试中全部拿下第一，开源一周GitHub星标破千——这就是本周在开发者社区刷屏的国产开源模型OXR。由SoMark团队打造的它，把“轻量”和“能打”这两个看似矛盾的标签拧在了一起：不需要庞大的显卡集群，一张消费级显卡就能跑，免费API甚至免注册开箱即用。
三榜第一的成绩单
先看硬指标。在OmniDocBench、olmOCR-Bench和DocParsingBench三项文档解析基准测试中，OXR分别以97.18、87.84、87.76的分数全部位列第一。这些基准覆盖了复杂表格、多栏排版、公式、手写内容等真实世界的硬核场景，是文档解析领域公认的试金石。
更难得的是速度同样登顶：在单张RTX PRO 6000显卡上，对100页文档做端到端完整解析，OXR平均耗时约101秒；同一测试中，PaddleOCR-VL-1.6为144.7秒，MinerU2.5-Pro为254.7秒。读得准，还读得快，这才是日常工作流真正能吃进去的效率。
它能解析什么：13类文档元素
OXR的全称是Optical Everything Recognition——从“识别字符”升级到“识别一切”。它可以把PDF和文档图片解析为Markdown、JSON等结构化数据，覆盖13类文档元素：表格、公式、代码块、图片、化学方程式、化学结构式、脚注、页眉页脚、印章等，并按阅读顺序组织输出，同时提供版面坐标。
落到实际场景里：复杂表格保留行列结构输出为HTML；数学公式转为标准LaTeX；化学方程式用mhchem语法表示；多栏报纸、论文、试卷按阅读顺序完整还原；连中英文手写笔记都能转成规整的Markdown。知识库、RAG问答、合同审查、研报分析——所有“文档进去、结构化数据出来”的场景，都是它的主场。
小模型凭什么这么能打
轻量却能打，秘密在两个设计。第一是RSI递归自我改进训练：让AI系统自动分析解析中的错样本和弱样本，自动制定训练策略、准备训练数据，循环迭代补强弱项，无需人工新增标注。第二是架构分工：版面分析交给一个独立的轻量模型，OXR主模型同时负责内容识别与阅读顺序判断，省掉了单独排序的开销，速度自然起来了。这个设计还有个实用副产品——版面分析模块可插拔，业务有特殊版面规则时可以替换成自己的模型，其余能力照常复用。
即开即用：三种使用方式
- 免费API：无需注册、无需申请Key，直接调用官方免费接口就能解析文档，适合先快速验证效果；
- 本地部署：提供Docker一键启动方案，1.3B的小参数量意味着消费级显卡即可运行，社区实测入门级游戏卡就能满血跑；
- SDK集成：官方提供命令行工具与SDK，解析结果输出Markdown/JSON，可直接接入既有文档流水线。
需要提醒的是，免费API不承诺生产级稳定性，设有排队机制，正式业务建议本地部署；开源使用条款以项目仓库的许可说明为准。
轻量哲学：小而美的工具最值得信赖
这两年大模型军备竞赛给很多人留下一个印象：参数越大越好。但OXR证明，在垂直任务上，把任务定义清楚、架构设计合理，小模型可以既快又准。这和小飞鱼加速器的产品哲学不谋而合：轻量、快速、开箱即用。下载OXR的模型权重、拉取代码仓库、查阅英文文档教程，这些操作都依赖稳定的国际网络——特别是几GB的权重文件下载，直连海外平台时常失败。小飞鱼加速器提供的正是这类轻量快速的加速服务：装好打开、选择节点、即刻连接，没有繁琐配置，让下载模型权重这类大文件传输不再反复失败。工具轻量化是趋势，环境配套也应该同样轻量省心。
五类人群上手建议
知识库工程师：先用免费API拿20份真实业务文档试解析，核对表格与阅读顺序的准确率，再决定是否本地部署。
科研工作者：论文PDF批量转Markdown，公式转LaTeX直接进笔记软件，文献管理效率翻倍。
法务与财务：合同、报表的结构化抽取，配合坐标信息做原文回看定位，审阅流程更可控。
学生群体：课件、试卷、手写笔记数字化，转成可搜索的Markdown归档。
独立开发者：把文档解析做成小工具的中间能力，1.3B的体量连部署成本都友好。
上线前自查清单
决定把OXR接进自己的流程前，按这份清单过一遍，能避开绝大多数坑：
- 样本实测：至少拿20份真实业务文档跑一遍，重点核对表格行列归属、公式符号和阅读顺序，榜单分数只代表参考水平；
- 隐私确认：涉及敏感文档时优先本地部署，数据不出本机是硬要求，免费API只适合验证阶段；
- 渲染检查：输出中的LaTeX、mhchem、SMILES等格式需要渲染端支持相应语法，提前确认自己的下游工具能不能正确展示；
- 许可阅读：开源不等于无限制使用，商用前通读项目许可条款，明确边界；
- 降级预案：解析失败或置信度低的页面要有人工兜底路径，生产流程不能假设模型永远正确。
一个典型场景的完整走法
以最常见的“合同PDF批量入库”为例走一遍完整流程：第一步，把存量合同目录批量喂给OXR，输出Markdown与JSON双格式；第二步，用版面坐标信息把关键条款回链到原文页码，方便复核定位；第三步，JSON结果直接进知识库字段，供检索与问答调用；第四步，对低置信度页面标记人工复核。整个链路里OXR只负责第一棒的解析，但它把过去最耗人力的环节压缩到了分钟级——这就是轻量专用工具在真实工作流里的位置：不求全能，只求把自己那段干到最好。
轻量化为什么是大趋势
多说一句”轻量”这件事的行业意义。大模型军备竞赛让很多人默认参数越大越好，但真实世界里，用户最终在乎的是三件事：效果好不好、速度快不快、花钱多不多。轻量模型在垂直任务上把这三件事同时做好的案例正在变多——OXR是文档解析的例子，端侧语音、代码补全等场景也在出现类似选手。对普通用户，轻量化意味着更低的硬件门槛；对开发者，意味着更低的部署成本；对行业，意味着能力扩散的速度加快。看懂这个趋势，就能理解为什么1.3B的三榜第一比千亿参数的又一次迭代更值得关注——前者改变的是”谁用得起”，后者改变的是”上限有多高”，两者都重要，但前者更贴近多数人的日常。
常见问题解答
问：1.3B会不会太小，实际够用吗？
答：文档解析是定义清晰的单项任务，三榜第一的成绩说明任务适配比参数堆量更重要，建议拿自己的文档实测。
问：免费API和个人部署怎么选？
答：验证阶段用免费API最快；正式业务用Docker本地部署，数据不出本机更稳妥。
问：下载权重很慢怎么办？
答：海外平台的模型下载对网络要求较高，可使用小飞鱼加速器提升下载稳定性，几GB的文件一次拉完不中断。
问：中文文档效果如何？
答：官方展示案例覆盖中文手写、中文试卷与研报，中文场景是重点支持方向，建议实测自己的样本。