AI图鉴

AI图鉴首页 › AI 资讯 › Baidu 开源百页文档解析无限制 OCR 2

Baidu 开源百页文档解析无限制 OCR 2

来源:MarkTechPost · 发布时间:10-27 · 由 AI图鉴每小时自动聚合

Baidu拥有发布无限制 OCR 2,一种MIT许可的3B OCR模型,在一个请求中剖析了百页文件。 它的SR -SWA关注保持一步一步的解码

Baidu拥有发布无限OCR2,一种开源OCR模型,为非常长的文档所建。 3B模式在一次请求中解析了数百页的书籍,备案和报告。 其核心变化是SR-SWA,这是一个很少的注意计划,使逐步解码成本几乎平坦。 麻省理工学院许可下的重量船,代码为GitHub.

TL;数据

- 大小:3.34B参数。 未披露活动参数。 最大位置长度131,072令牌。

- 运行在:1 CUDA GPU在BF16. Baidu在NVIDIA A800-80GB上测试。 BF16重量总计约6.7GB.

- 性能:在两个多页的基准测试 Baidu测试中,相对于其他9种模型(自报)排名第一。

- 最佳:在马拉松道本奇(百页)上总共77.1个。 下一个型号Kimi-K3,得33.7分。

- 最糟糕的是:48.2条关于马拉松道克本奇(马拉松道克本奇)的分级,这是其最低的分数。

什么是无限OCR 2?

无限制 OCR 2 是一个来自 Baidu 的 3B 视觉语言模型,将命令的页面图像转换成结构化的文本。 输出覆盖文本,表格,公式,数字,标题和读取顺序。 它于2026年6月接替无限制-OCR,发布,以进一步推进DeepSeek-OCR.

配置保持DeepSeek-OCR风格布局。 一台SAM VIT-B型加CLIP-L型编码器为12层混合型专家解码器提供素材。 每条标致路线到64位专家中的6位,加上2位共享专家。 DeepSeek-OCR纸将这个解码器描述为DeepSeek3B-MoE-A570M. Baidu没有为第2版声明主动计数。 在多页模式下,每页花费273个图像符号。

SR -SWA是怎么工作的?

全注意力成本随序列长度增长四倍。 在解码过程中,每个新令牌扫描一个更长的KV缓存。 每页有273个图像信使,100页在任何输出前增加27,300个输入信使。

SR-SWA代表Sparse参考滑动窗口关注。 它将文字-视觉注意力压缩为一套固定的工作参考。 Baidu的型号卡给出512个令牌作为示例大小。 配置对齐一个128个托肯的本地窗口,在32个托肯块之上有前16个选择。 16块32个符号符合512块的预算

随着文件的不断增长,这保持了一步一步的时间和记忆几乎不变。 它称结果为 " 无限范围 ",图像编码和总运行时间仍然随页数而上升。

MPDoc Bench和马拉松Doc Bench的得分如何?.

Baidu团队对MPDoc Bench进行测试,每文档有数十页,马拉松Doc Bench则有数百页。 MPDoc Bench-Parse是一个公开的基准测试,共有433份文件和3,246页。 我们找不到一个公开的马拉松Doc Bench释放。

Per Baidu的领导板图,无限OCR 2在MPDoc Bench上得分84.6分。 Qwen3.8-Max跟随78.3,然后Qwen-3.8-Flash-Next77.4. 在马拉松Doc Bench上它得分77.1分,Kimi-K3是下一个33.7分,然后Gemini-3.8-Flash是28.6分。

基准测试之间的掉落是真实的故事。 Qwen3.8-Max在百页文档中从78.3降至22.9. 无限制OCR 2降7.5分。 其前身"无限-OCR"在马拉松道克本奇上得分0.0.

亚分数(MPDoc Bench /马拉松Doc Bench):

- 案文:94.8/89.6

- 公式:89.4/87.9

- 阅读顺序:92.3/85.3

- 表:87.8/74.8

- 标题等级:60.1/48.2

MPDoc Bench上的单度量边很薄。 Qwen3.8-Max在文本上得分94.3分,在公式上得分89.2分。 所有数字都是自报的,只出现在图表图中。

与其他开放的 OCR 模型的比较

每个型号的Hugging Face页的参数计数和许可证。 基准测试从Baidu的图中得分。

你怎么运行无限制 OCR 2?

型号卡片列出用于快速测试的变形金刚以及用于服务的SGLang. 在"变形金刚"中,推论手柄1页带有动态的t,称为gundam模式。 推断1个请求中文档的每页都含有多解析值,因此该模型保持跨页上下文。 装入需要信任 remote code=True,它从repo运行Python代码。

SGLang服务使用来自Baidu的定制车轮,而非上游SGLang. 兹Q 1Z的示例列表每个窗口有10页,并重用上一个窗口的KV尾巴。 较小的windows剪切峰值内存但削弱跨页合并。 Baidu 警告默认偏差设置可以触发462 MiB分配,并耗尽内存。

关键外卖

- 无限制 OCR 2 是来自Baidu的3.34B,MIT许可的OCR型号。

- SR-SWA在固定的512托肯参考集引起注意。

- 马拉松道本奇的得分是77.1,而下一个型号是33.7。

- 头级是弱点,长文件48.2

- 所有基准测试数字都是Baidu自己的。

请检查access-date=中的日期值 (帮助) 型号卡,技术报告和GitHub repo. 并加入我们的通讯。 等等你在电报里吗现在你也可以加入我们的电报。

需要和我们合作推广您的 GitHub Repo OR Hugging Face Page OR Product Release OR Webinar 等吗?联系我们

Asif Razzaq是Marktechpost AI Media Inc.的首席执行官。 作为一个有远见的企业家和工程师,阿西夫致力于利用人工智能的潜力促进社会福祉。 他最近的努力是人工智能媒体平台的发布,该平台以深入报道机器学习和深层学习新闻而著称,这些新闻在技术上既可靠又为广大观众所容易理解。 该平台每月有超过200万次观看,表明其受观众欢迎。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(marktechpost.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 593 款 AI 工具分类导航 · 每日 AI 热门项目与动态