चीन की स्टार्टअप टीम SoMark, जो इंटेलिजेंट डॉक्यूमेंट एनालिसिस में विशेषज्ञता रखती है, ने OXR नामक मॉडल को सार्वजनिक कर दिया है, जिसका अर्थ है ऑप्टिकल एवरीथिंग रिकग्निशन। मुख्य मॉडल, OXR-1.0, में केवल 1.3 बिलियन पैरामीटर हैं और यह PDF फ़ाइलों और दस्तावेज़ छवियों को मार्कडाउन या JSON प्रारूपों में परिवर्तित करने में सक्षम है, जिसमें तत्वों के स्थान के निर्देशांक भी शामिल हैं, जिसे टीम डेटा के लिए एजेंट-अनुकूल प्रतिनिधित्व बताती है।
कोड और मॉडल वेट्स GitHub, Hugging Face और ModelScope प्लेटफॉर्म पर उपलब्ध हैं, साथ ही एक ऑनलाइन डेमो और मुफ़्त API भी प्रदान किया जाता है।
परीक्षण परिणाम और मॉडल क्षमताएं
आधिकारिक रिपॉजिटरी के अनुसार, OXR तीन सार्वजनिक बेंचमार्क में पहले स्थान पर है: OmniDocBench पर 97.18 अंक, olmOCR-Bench पर 87.84, और DocParsingBench पर 87.76, जबकि यह विशेष रूप से तालिकाओं के पार्सिंग में महत्वपूर्ण लाभ प्रदर्शित करता है। टीम अपने बेंचमार्क दस्तावेज़ीकरण में पूर्ण परिणाम और पुनरुत्पादन निर्देश प्रकाशित करती है।
एक RTX PRO 6000 Blackwell मेमोरी के साथ 96 जीबी पर किए गए प्रदर्शन परीक्षण के दौरान, OXR ने लगभग 101 सेकंड में OmniDocBench की 100 यादृच्छिक पृष्ठों को संसाधित किया। यह PaddleOCR-VL-1.6 (लगभग 145 सेकंड) और MinerU2.5-Pro (255 सेकंड) से तेज था।
मॉडल 13 प्रकार के तत्वों को पहचानता है, जिनमें पाठ, शीर्षक, तालिकाएँ, सूत्र, स्टाम्प, कोड ब्लॉक, रासायनिक समीकरण और रासायनिक संरचनाएं शामिल हैं। तालिकाओं को HTML या मार्कडाउन प्रारूप में, सूत्रों को LaTeX में, रासायनिक समीकरणों को mhchem सिंटैक्स में, और आणविक संरचनाओं को SMILES स्ट्रिंग्स में आउटपुट किया जाता है। इसके अलावा, मॉडल पढ़ने के क्रम को निर्धारित करता है, जो समाचार पत्रों, वैज्ञानिक लेखों और परीक्षा पत्रों जैसे बहु-स्तंभ वाले सामग्रियों के लिए महत्वपूर्ण है, जहां सही ढंग से पहचाने गए ब्लॉकों को गलत क्रम में एकत्र किया जा सकता है।
अभिनव वास्तुशिल्प समाधान
दो प्रमुख डिज़ाइन समाधान सामने आते हैं। पहला, एक हल्का लेआउट मॉडल क्षेत्रों को परिभाषित करने के लिए जिम्मेदार है, जबकि मुख्य मॉडल एक ही चरण के भीतर सामग्री पहचान और पढ़ने के क्रम का निर्धारण करता है, जिससे अलग क्रमबद्धता चरण समाप्त हो जाता है। SoMark का दावा है कि यह पहली कार्यान्वयन है जो लेआउट मॉड्यूल को स्वतंत्र और प्लगइन योग्य बनाती है, जिससे व्यवसायों को OXR पहचान को बनाए रखते हुए अन्य तत्व श्रेणियों या क्षेत्र सीमाओं के साथ अपना लेआउट मॉड्यूल बदलने की अनुमति मिलती है।
दूसरा, प्रशिक्षण के बाद पुनरावृत्तीय आत्म-सुधार चक्र का उपयोग किया जाता है: OXR बिना लेबल वाले दस्तावेज़ों को संसाधित करता है, बाहरी मॉडल प्राप्त परिणामों का मूल्यांकन करते हैं और त्रुटियों का निदान करते हैं, क्लस्टरिंग मॉडल कारणों के आधार पर विफलताओं को समूहित करता है, और मैन्युअल लेबलिंग की आवश्यकता के बिना अगले दौर के लिए लक्षित प्रशिक्षण डेटा उत्पन्न करता है।
टीम ने बताया कि GitHub पर रिपॉजिटरी ने पहले सप्ताह में 1000 स्टार प्राप्त किए हैं। arXiv पर वैज्ञानिक लेख के प्रकाशन की घोषणा जल्द ही की जाएगी। रिट्रीवल-ऑगमेंटेड जनरेशन (retrieval-augmented generation) या एजेंट पाइपलाइन बनाने वाले डेवलपर्स के लिए, OXR जटिल दस्तावेजों को संरचित इनपुट में बदलने के लिए एक छोटा, तेज़ और खुला विकल्प प्रस्तुत करता है।
