AI宝库

AI宝库首页 › 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宝库每小时自动聚合

Baidu拥有发布无限OCR 2,一种MIT许可的3B OCR模型,在一个请求中剖析出百页文件。 它的SR -SWA关注保持一步一步的解码

Baidu拥有发布无限制的OCR 2,一种为非常长的文档所建的开源 OCR模型。 3B模式在一次请求中剖析了数百页的书籍,归档和报告。 其核心变化是SR-SWA,是一种很少的注意计划,它使逐步解码成本几乎平平。 麻省理工学院许可下的重量船,其代码为GitHub.

TL; DR 数据

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

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

- 性能:在两个多页的基准测试 Baidu测试中排名第一位,比照其他9个模型(自报).

- 最佳:在马拉松道克本奇(上百页)上总共77.1个。 下个型号为Kimi-K3,得分33.7.

- 最糟糕的是:在马拉松道克本克(马拉松道克本克)的分级结构(TEDS)上48.2分,这是其最低分数。

什么是无限制 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为结构化文本。 产出包括文本、表格、公式、数字、标题和阅读顺序。 它于2026年6月接替了无限制-OCR,发布,以进一步推进DeepSeek-OCR.

配置保持了DeepSeek-OCR风格布局。 一台SAM VIT-B外加CLIP-L编码器能提供12层混合型专家解码器。 每条标致路线通向64位专家中的6位,外加2位共享专家。 DeepSeek-OCR纸将这款解码器描述为DeepSeek3B-MoE-A570M. Baidu没有声明2版的有效计数。 在多页模式下,每页花费273个图像符号。

SR -SWA是怎么工作的?

完全关注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较长的KV缓存。 每页有273个图像信使,100页在任何输出前会增加27300个输入信使。

SR-SWA代表斯帕斯参考滑动窗口关注。 它将文字-视觉注意力压缩为一套固定的工作参考。 Baidu的型号卡给出了512个令牌作为示例大小。 配置对一对128个托肯本地窗口,在32个托肯区块之上有前16个选择。 这是16块32个符牌符合512块的预算

这样,随着文件的增长,每一步的间隔和记忆几乎保持不变。 它称结果为"无限范围",图像编码和总运行时间随着页数而上升。

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;马拉松多克 Bench则有上百页。 MPDoc Bench-Parse是一个由433个文件和3,246页组成的公共基准测试。 我们找不到一个公开的马拉松道克奔驰。

Per Baidu的领跑板图,无限OCR 2在MPDoc Bench上得分84.6分。 Qwen3.8-Max跟随78.3,再到Qwen-3.8-Flash-Next77.4. 在马拉松道克奔驰上,它的得分是77.1分,Kimi-K3次以33.7分,再以28.6分Gemini-3.8-Flash.

基准测试之间的投放是真实的故事。 Qwen3.8-Max从78.3跌至22.9分百页文档。 无限制OCR 2跌出7.5分。 其前身"无限-OCR"在马拉松道克本奇上得分0.0.

分分数(MPDoc Bench /马拉松道克 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在文本上得分为94.3分,在公式上得分为89.2分。 所有数字都是自报的,只出现在图表图中。

与其他开放式 OCR 模型的比较

从每个型号的Hugging Face页计算参数和许可证。 基准测试从Baidu的图中得分。

如何运行无限制 OCR 2?

模式卡列出"变形金刚"用于快速测试,而SGLang则用于服务。 在"变形金刚"(Transformers)中,推算手柄为一页有活性平板,称为gundam模式。 推断1个请求中文档的每页都含有多解析值,因此模型保持了跨页上下文。 装入需要信任 remote code=True 从repo运行 Python 代码。

SGLang服务使用Baidu的定制轮子,而非上游SGLang. 兹克 1Z的示例列表每个窗口有10页,并重用上个窗口的KV尾巴。 更小的windows剪切了峰值内存但削弱了跨页合并。 Baidu 警告一个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个参考集吸引注意力。

- 马拉松道克本奇的得分是77.1,而下一个型号的得分是33.7.

- 头级是弱点,长文件48.2。

- 所有基准测试号码都是Baidu自己的。

请检查date=中的日期值 (帮助) 型号卡,技术报告与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为社会造福。 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出名,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宝库自动抓取并翻译,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宝库首页 · 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