Intellektual hujjatlarni tahlil qilishga ixtisoslashgan Xitoy startap jamoasi SoMark OXR deb qisqartiriladigan Optical Everything Recognition modelini ommaviy foydalanish uchun taqdim etdi. Asosiy OXR-1.0 modeli faqat 1,3 milliard parametrga ega va PDF fayllar va hujjat tasvirlarini elementlarning joylashuv koordinatalari kabi maʼlumotlarni oʻz ichiga olgan holda Markdown yoki JSON formatlariga aylantira oladi, bu jamoa tomonidan agentlar uchun qulay maʼlumotlar koʻrinishi sifatida taʼriflanadi.
Kod va model vaznlari GitHub, Hugging Face va ModelScope platformalarida mavjud, shuningdek, onlayn demonstratsiya va bepul API ham taqdim etiladi.
Sinov natijalari va model imkoniyatlari
Rasmiy repozitoriya maʼlumotlariga koʻra, OXR uchta jamoatchilik benchmarkida birinchi oʻrinda turadi: OmniDocBenchda 97.18 ball, olmOCR-Benchda 87.84 va DocParsingBenchda 87.76 ball bilan, ayniqsa jadvallarni parslashda sezilarli ustunlikni namoyish etadi. Jamoa toʻliq natijalar va qayta tiklash boʻyicha koʻrsatmalarini benchmark hujjatlarida eʼlon qilmoqda.
Bitta RTX PRO 6000 Blackwell xotirasiga ega kartada oʻtkazilgan samaradorlik sinovidan soʻng, OXR OmniDocBenchdan tanlangan 100 sahifani taxminan 101 soniyada qayta ishladi. Bu PaddleOCR-VL-1.6 (taxminan 145 soniya) va MinerU2.5-Pro (255 soniya) dan tezroq boʻldi.
Model 13 turdagi elementlarni tanib oladi, ular orasida matn, sarlavhalar, jadvallar, formulalar, shtamplar, kod bloklari, kimyoviy tenglamalar va kimyoviy tuzilmalar mavjud. Jadvallar HTML yoki Markdown formatida, formulalar LaTeXda, kimyoviy tenglamalar mhchem sintaksisida, molekulyar tuzilmalar esa SMILES satrlari shaklida chiqariladi. Bundan tashqari, model oʻqish tartibini aniqlaydi, bu gazeta, ilmiy maqolalar va imtihon varaqalari kabi koʻp ustunli materiallar uchun juda muhimdir, chunki toʻgʻri aniqlangan bloklar notoʻgʻri ketma-ketlikda yigʻilishi mumkin.
Innovatsion arxitektura yechimlari
Ikki asosiy dizayn yechimi ajralib turadi. Birinchidan, yengil joylashuv modeli hududlarni aniqlash uchun javobgar boʻlsa, asosiy model bitta bosqich ichida kontentni aniqlash va oʻqish tartibini belgilaydi, bu alohida tartiblash bosqichini yoʻq qiladi. SoMark bu modulni mustaqil va ulashuvchan qilishni amalga oshiradigan birinchi amal ekanligini taʼkidlaydi, bu biznesga OXR aniqlashini saqlab qolgan holda oʻzining joylashuv modulini boshqa element kategoriyalari yoki hudud chegaralari bilan almashtirish imkonini beradi.
Ikkinchidan, oʻqitilgandan soʻng rekursiv oʻz-oʻzini takomillashtirish sikli ishlatiladi: OXR belgisiz hujjatlarni qayta ishlaydi, tashqi modellar natijani baholaydi va xatolarni diagnostika qiladi, klasterlash modeli nosozliklarni sabablarga koʻra guruhlaydi va keyingi tur uchun qoʻlda belgilash zarurati boʻlmagan maqsadli oʻquv maʼlumotlari yaratiladi.
Jamoa GitHubʼda repozitoriya birinchi hafta ichida 1000 yulduzga yetganini maʼlum qildi. Ilmiy maqolaning arXivda nashr etilishi yaqin orada eʼlon qilinadi. Retrieval-augmented generation (qoʻshimcha qidiruv bilan boyitilgan generatsiya) yoki agentlik pipelinelarini yaratayotgan ishlab chiquvchilar uchun OXR murakkab hujjatlarni tuzilgan kirishga aylantirish uchun kichik, tez va ochiq variant hisoblanadi.
