1.3B OXR登顶，OCR要降价了

截至2026年10月30日，一款仅有13亿参数的国产开源OXR模型成为文档解析领域的新变量：据最新公开报道，OXR已经在三项权威榜单中取得第一，并能把手写数学笔记、公式、表格乃至化学结构直接转换为结构化结果。

这次登顶最值得关注的并不是「国产第一」这个标签，而是它把复杂文档解析压缩到了1.3B参数规模。过去，要同时处理文本、公式、版面、表格和图形，行业通常会在传统OCR流水线与大型视觉语言模型之间二选一；OXR试图提供第三条路——用一个足够小、但专门针对文档训练的端到端模型，完成从像素到Markdown的转换。

OXR是什么：它要识别的不只是字

OXR是一款面向复杂文档理解与结构化输出的1.3B开源视觉模型，其目标不是单纯识别图片中的字符，而是恢复文档的内容、层级与语义结构。

传统OCR是光学字符识别技术，核心任务是把图像中的文字转成字符序列。这个定义看似简单，却解释了传统OCR面对现代文档时的局限：它可以告诉你页面里有哪些字，却未必知道两段文字谁是标题、一个数字属于哪列表格、上下标如何组合成公式，也不知道图片里的六边形是不是苯环。

文档解析是把页面中的文本、公式、表格、图形和版面关系转换为机器可读结构的过程。它比OCR多走了至少两步：先判断页面元素是什么，再恢复元素之间的关系。最终结果通常不是一串纯文本，而是Markdown、HTML、LaTeX、JSON式结构或可进一步编辑的对象。

OXR的产品定位因此更接近「页面到结构」模型，而不是一个更强的文字扫描器。根据目前展示的案例，它可以把高等数学手写笔记转换为Markdown和公式表达，把混排页面中的标题、正文、列表与表格按阅读顺序还原，并处理包含化学结构的专业材料。

这类能力对开发者的价值很直接。企业知识库、RAG数据清洗、论文数字化、财报抽取和教育题库录入，真正昂贵的部分通常不是把汉字认出来，而是把散落在页面上的内容重新组织成可检索、可计算、可追溯的数据。

1.3B参数，改变的是部署门槛

1.3B是OXR最有杀伤力的数字，因为参数量直接影响显存、吞吐、延迟和部署硬件。

按照纯权重理论值计算，1.3B模型使用FP16或BF16精度时约占2.6GB，INT8约占1.3GB，INT4约占0.65GB。实际推理还需要视觉编码、中间激活、KV缓存和运行时框架，因此不能把这些数字直接当成最终显存占用，但它们足以说明OXR与7B、72B模型之间的部署差距。

| 模型规模 | FP16/BF16纯权重 | INT8纯权重 | INT4纯权重 | 典型部署判断 | |---|---:|---:|---:|---| | OXR 1.3B | 约2.6GB | 约1.3GB | 约0.65GB | 有机会进入消费级GPU、边缘服务器或本地工作站 | | 7B视觉语言模型 | 约14GB | 约7GB | 约3.5GB | 通常需要中高端GPU，并为视觉输入和缓存预留空间 | | 32B视觉语言模型 | 约64GB | 约32GB | 约16GB | 更依赖专业GPU或多卡环境 | | 72B视觉语言模型 | 约144GB | 约72GB | 约36GB | 多卡部署更常见，单位请求成本明显更高 |

小参数并不自动等于低成本，但它为低成本创造了必要条件。文档解析往往是批处理业务，一家企业可能一次导入数十万页合同、票据或技术资料；当每一页都要经过视觉编码和长序列生成时，模型规模带来的成本差距会被页面数量持续放大。

1.3B模型还可能改善数据合规条件。金融、医疗、政务和工业客户经常不愿把原始文档发送到外部服务，而一个能够在单机或小型服务器上运行的模型，更容易进入内网环境，也更适合离线扫描、档案数字化和工厂现场等场景。

RSI为什么是这次发布的技术重点

RSI是一种让模型利用自身生成、筛选和反馈结果持续改进训练数据与能力的递归式自我改进范式。它的核心价值不是让模型凭空变聪明，而是减少对大规模人工逐页标注的依赖，把数据生产从纯人工流水线变成模型生成、规则验证与迭代训练相结合的闭环。

文档解析数据尤其昂贵。标注员不仅要抄录文字，还要框出版面区域、确认阅读顺序、录入LaTeX公式、重建表格行列关系，并处理跨栏、脚注、印章、手写批注等异常情况。一张复杂论文页面的标注成本，远高于普通图片分类数据。

RSI训练范式如果能够稳定工作，就可以先让已有模型解析未标注文档，再通过格式规则、渲染回验、跨模型一致性或任务验证器筛选高质量结果，随后把这些结果加入下一轮训练。对于公式，可以把生成的LaTeX重新渲染并与原图比较；对于表格，可以检查行列数和单元格约束；对于Markdown，可以验证层级、闭合关系和阅读顺序。

这种闭环更像自动化的数据工厂，而不是神秘的模型自我进化。它能降低人工参与比例，却不会消灭人工校验：一旦验证器只关注格式正确、不关注语义正确，模型就可能稳定地产生「看起来规范、内容却错了」的伪标签，并在下一轮训练中进一步放大错误。

OXR能否复制到更多语言和行业，最终取决于RSI细节是否真正开放。训练代码、数据构造流程、验证器设计、过滤阈值和消融实验，比一句「采用RSI」更有复现价值；如果项目只开放权重而缺少这些环节，社区得到的仍主要是一个可部署模型，而不是一套可以继续演进的方法。

三榜第一很亮眼，但还不能只看总分

OXR在三项权威榜单登顶是目前最醒目的成绩，但榜单第一并不等于所有真实文档都优于大型视觉语言模型。

文档解析跑分通常会混合文字识别、公式识别、表格恢复、阅读顺序和版面理解等指标。一个模型可能依靠公式与中文识别拉高平均分，却在跨页表格、极小字体或低清扫描件上失分；另一个模型可能总分稍低，但在票据字段抽取等垂直任务上更稳定。

截至发稿，现有材料强调了「三项榜单第一」，但没有提供足够完整且可交叉验证的榜单名称、各分项原始成绩、推理分辨率、解码策略和硬件环境。对于开发者而言，在官方模型卡、评测脚本和逐项结果完整公开之前，更稳妥的表述是：OXR已经展示出领先潜力，但其绝对领先幅度仍需要社区复现。

| 评估维度 | 传统OCR流水线 | OXR 1.3B | 大型视觉语言模型 | |---|---|---|---| | 文字识别 | 成熟、速度快 | 可端到端处理 | 通常较强，但成本更高 | | 公式与表格 | 常需独立模块 | 目标是统一解析 | 具备能力，稳定性依模型而异 | | 版面与阅读顺序 | 依赖检测器和规则 | 可直接生成结构化结果 | 可以理解复杂布局 | | 长尾知识问答 | 较弱 | 重点不在开放式问答 | 通常更强 | | 本地部署门槛 | 低至中等 | 低于主流7B以上模型 | 中等至很高 | | 调试方式 | 每个模块可独立排查 | 端到端，错误归因更难 | 端到端，输出不确定性更高 | | 适合场景 | 固定模板、海量简单页面 | 复杂文档批处理与本地解析 | 少量高价值页面、综合理解任务 |

OXR真正应该对标的也不是聊天模型的综合智力，而是复杂文档处理的单位成本。若一个1.3B专用模型在大多数页面上达到大型模型接近的结构恢复质量，企业完全可以先用OXR处理80%至95%的常规页面，再把低置信度、异常布局和关键文档交给更大的模型或人工复核。

这种分层架构比「所有页面都上最大模型」更务实。它把小模型当作高吞吐前台，把大型模型当作处理疑难样本的专家，从而同时控制成本和错误率。

化学结构能力不能只看演示图

化学结构解析是OXR演示中最容易传播、也最需要谨慎理解的能力。

从文档图片中识别化学结构，不只是看懂线条和字母。真正可用于科研或专利检索的结果，往往需要恢复原子、化学键、支链、环结构、立体化学信息以及分子之间的关系，并输出可验证的结构表达，而不是重新画出一张视觉上相似的图片。

如果OXR目前的能力主要是生成化学结构图，那么它证明的是视觉重建能力；如果它能够稳定输出SMILES、Molfile等结构表达，并通过化学有效性检查，才意味着它进入了可计算的化学信息抽取阶段。这两种能力对用户看起来相似，工程价值却有明显差别。

数学公式也存在同样的问题。公式转成Markdown或LaTeX只是第一步，模型还要正确区分上下标、矩阵边界、分式嵌套和相似符号；在高数手写笔记中，一个负号、积分上下限或希腊字母识别错误，就可能改变整条公式的含义。

开源的含金量要看许可证和训练资产

开源模型是允许开发者获取并在许可证范围内检查、部署或修改相关资产的模型，但「开放权重」与「完整开源」并不是一回事。

开发者评估OXR时至少应该确认四项内容：模型权重是否可以下载，推理代码是否完整，许可证是否允许商业使用，以及训练与评测流程是否可复现。只有权重没有预处理代码，部署会遇到图像切片、分辨率和特殊标记不一致的问题；只有演示没有评测脚本，则很难验证榜单成绩。

所谓全量开源还应覆盖关键训练资产。理想状态下，项目需要公开模型权重、配置文件、视觉预处理、推理框架、评测代码、RSI数据生成方法和主要训练配方；受版权或隐私限制无法发布原始数据时，也应提供数据来源说明和可替代的构造流程。

截至2026年10月30日，开发者仍应以官方仓库与模型卡中的许可证文本为准。可以通过Hugging Face的OXR模型检索页核对权重、模型卡和更新记录，也可以从GitHub的OXR项目检索结果查找代码仓库，但需要核验发布者身份，避免把同名项目误认为官方版本。

小模型不会终结大模型，但会挤压它的工作量

OXR不会让传统OCR和大型视觉语言模型消失，但它可能重新划分三者的任务边界。

固定模板票据、清晰印刷文本和对延迟高度敏感的扫描业务，传统OCR仍然有速度快、行为稳定和容易调试的优势。跨页面推理、图文问答、模糊意图理解和开放式知识任务，大型视觉语言模型依旧更合适。OXR最可能占据的中间地带，是传统OCR做不好、使用大型模型又过于昂贵的复杂文档结构化任务。

| 业务场景 | 更合理的首选方案 | 主要原因 | |---|---|---| | 快递单号、身份证固定字段 | 传统OCR或专用模型 | 模板稳定、吞吐优先 | | 论文转Markdown与LaTeX | OXR类文档模型 | 需要统一处理版面、公式和文本 | | 财报表格批量入库 | OXR加规则校验 | 兼顾结构恢复与规模化成本 | | 合同风险问答 | 文档模型解析后接大模型 | 解析与语义推理应分层完成 | | 手写课堂笔记数字化 | OXR加人工抽检 | 复杂布局多，局部错误影响较大 | | 单页复杂图表解释 | 大型视觉语言模型 | 需要开放式视觉推理与语言表达 |

企业落地时也不应该把模型跑分直接当成采购结论。更有效的测试集应来自真实业务，包括扫描歪斜、复印噪声、低分辨率、跨栏排版、盖章遮挡、跨页表格和手写批注，并分别统计字符错误率、公式准确率、表格结构正确率、阅读顺序和单页处理时间。

成本评估还需要把失败重试和人工复核计算在内。一个推理价格很低、但每十页就需要人工修正一次的模型，最终成本可能高于更大但更稳定的模型；反过来，如果OXR能把需要人工检查的页面比例从20%降到5%，节省的人力成本往往远高于GPU费用。

结论：这不是OCR终局，而是一次成本重估

OXR最重要的行业意义，是证明复杂文档解析未必需要堆到数十亿甚至数百亿参数以上。

1.3B参数、三项榜单第一、RSI训练和全量开源，共同构成了一个很有吸引力的故事：用更少参数、更少人工标注和更低硬件门槛，完成过去需要多模型流水线或大型视觉语言模型才能处理的任务。如果官方成绩能够被独立复现，这将是一次真实的工程效率进步，而不只是又一个榜单冠军。

OXR目前仍有三道必须回答的问题。第一，三项榜单的领先幅度和测试条件是否完整透明；第二，RSI生成的数据能否避免错误自我强化；第三，复杂公式、跨页表格和化学结构能否在真实业务中保持稳定，而不是只在精选案例中表现出色。

小参数OCR的竞争最终不会停留在模型大小上。真正决定胜负的是每千页处理成本、结构化结果可用率、异常页面占比和人工复核时间；谁能把这四个数字同时压低，谁才有机会成为企业文档管线的默认入口。

参考来源

• Hugging Face：OXR模型检索页——用于查询OXR相关模型权重、模型卡、许可证与版本更新，实际使用前需核验发布者身份。
• GitHub：OXR OCR项目检索页——用于查找相关代码仓库、推理实现、评测脚本与社区复现项目，需注意区分官方仓库与同名项目。