Baidu udostępnia na licencji open source Unlimited OCR 2 — parser dokumentów o niemal stałym koszcie dekodowania

Baidu ogłosiło Unlimited OCR 2 na X 26 października; kod udostępniono na GitHubie, a wagi na Hugging Face. Model zaprojektowano do parsowania dokumentów praktycznie dowolnej długości w obrębie skończonego okna kontekstu.

Baidu twierdzi, że nowy mechanizm uwagi SR-SWA kondensuje interakcje uwagi między tekstem a obrazem w stały zestaw roboczych odniesień, dzięki czemu opóźnienie dekodowania na krok i zużycie pamięci pozostają niemal stałe wraz z wydłużaniem się dokumentów. Z przekazanego dalej podsumowania premiery wynika, że model ma 3.34B parametrów, został udostępniony na licencji MIT i korzysta ze stałego zestawu roboczego 512 tokenów; te szczegóły pochodzą z wpisu użytkownika, a nie z ogłoszenia Baidu.

Twierdzenia z ogłoszenia, których nie zweryfikowano niezależnie:

• Wyniki na poziomie state of the art w testach MPDocBench i MarathonDocBench, obejmujących dokumenty liczące od kilkudziesięciu do kilkuset stron.