Unlimited OCR 2 آپریشن میں

Unlimited OCR 2 بائیڈو وین شِن کا اوپن سورس اینڈ ٹو اینڈ دستاویز تجزیاتی ماڈل ہے، جو کسی بھی صفحات کی تعداد والی طویل دستاویزات کا تجزیہ کرتا ہے اور ہزاروں صفحات پر مشتمل کتابوں کو بھی ایک ہی بار میں درستگی اور کارکردگی برقرار رکھتے ہوئے پروسیس کر سکتا ہے۔ Unlimited OCR 2 اسپارس ریفرنس سلائیڈنگ ونڈو اٹینشن میکانزم اور لامحدود ڈیکوڈنگ میکانزم استعمال کرتا ہے، جس سے طویل دستاویزات کی کمپیوٹیشنل اور ویڈیو میموری لاگت کم ہوتی ہے۔ یہ MPDocBench، MarathonDocBench جیسے بینچ مارکس پر SOTA کارکردگی حاصل کرتا ہے اور OCR کو 3.0 کے دور میں داخل کرنے میں مدد دیتا ہے۔

کسی بھی صفحات کی تعداد کا تجزیہ: روایتی صفحات کی حد سے آگے بڑھتے ہوئے، ایک ہی بار میں ہزاروں صفحات پر مشتمل طویل دستاویزات کو پروسیس کرتا ہے۔
طویل دستاویزات کی اعلیٰ درستگی کے ساتھ تفہیم: دستاویز کی لمبائی میں نمایاں اضافے کے باوجود زیادہ تجزیاتی درستگی اور پروسیسنگ کی کارکردگی برقرار رکھتا ہے۔
صفحات کے درمیان معلومات کا ربط: سابقہ متن کا دوبارہ جائزہ لے کر صفحات کے درمیان موجود مواد کی تصدیق کرتا ہے، جس سے متعدد صفحات کو جوڑنے کے دوران پیدا ہونے والے سیاقی انقطاع کم ہوتے ہیں۔
اوپن سورس اور قابل استعمال: کوڈ اور ماڈل کے وزن اوپن سورس ہیں، اور بائیڈو اسمارٹ کلاؤڈ اور بائیڈو AI اوپن پلیٹ فارم پر بھی دستیاب ہیں۔

WeChat پر فالو کریں اور “اوپن سورس” کا جواب دے کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں
SR-SWA اسپارس ریفرنس سلائیڈنگ ونڈو اٹینشن: انسان کے کتاب نقل کرتے وقت “موجودہ صفحے پر توجہ اور ضرورت پڑنے پر سابقہ متن کی طرف رجوع” کرنے کے طریقے سے اخذ کیا گیا ہے۔ Page Gate ہر Query کے بصری ریفرنس کے دائرے کو پوری دستاویز کے بجائے متعلقہ صفحات تک محدود کرتا ہے اور صفحات کے درمیان پوزیشن کے تعلقات کو ماڈل کرتا ہے؛ سب سے زیادہ اسکور والے Visual Token Buckets شامل کر کے طویل فاصلے کے بصری انحصارات کو پکڑا جاتا ہے، جس سے Full Attention کی جانب سے پوری دستاویز کے Tokens پر ہونے والی ضرورت سے زیادہ کمپیوٹیشن سے بچا جاتا ہے۔
Unlimited-Horizon Decoding لامحدود ڈیکوڈنگ میکانزم: انتہائی طویل دستاویزات کے تجزیے میں کمپیوٹیشن اور ویڈیو میموری کی رکاوٹوں کے لیے ڈیکوڈنگ کے عمل کو بہتر بناتا ہے، تاکہ زیادہ صفحات پروسیس کرتے وقت ماڈل سیاق کی لمبائی کی سخت حد سے نہ رکے اور “کسی بھی صفحات کی تعداد” کے تجزیے کا ہدف پورا ہو سکے۔
اینڈ ٹو اینڈ طویل دستاویز ماڈلنگ: روایتی OCR سے مختلف، جو پہلے ہر صفحے کو الگ شناخت کر کے جوڑتا ہے، اور پچھلی نسل کے R-SWA سے بھی مختلف، جو صرف مسلسل درجنوں صفحات تک پھیلتا تھا، Unlimited OCR 2 صفحات کے درمیان انتخاب، ریفرنس کے لیے سابقہ متن کی طرف رجوع اور موجودہ صفحے کی تفہیم کو ایک متحد اینڈ ٹو اینڈ فریم ورک میں شامل کرتا ہے، جس سے طویل دستاویزات کے تجزیے کی یکسانیت اور تکمیل بہتر ہوتی ہے۔
کارکردگی اور لاگت پر قابو: SR-SWA کی سنگل اسٹیپ ڈیکوڈنگ رفتار Full Attention کے مقابلے میں 7 گنا اور پچھلی نسل کے R-SWA کے مقابلے میں 5.6 گنا زیادہ ہے۔ بنیادی فائدہ عالمی مکمل اٹینشن کے بجائے اسپارس ریفرنس استعمال کرنے سے حاصل ہوتا ہے۔

داخلہ منتخب کریں: GitHub یا Hugging Face سے کوڈ اور وزن ڈاؤن لوڈ کر کے مقامی طور پر تعینات کریں۔
دستاویز تیار کریں: PDF، اسکین شدہ دستاویزات یا طویل دستاویزات مرتب کریں اور یقینی بنائیں کہ صفحات مکمل، واضح اور درست سمت میں ہوں۔
اپ لوڈ یا لوڈ کریں: آن لائن داخلے پر براہ راست دستاویز اپ لوڈ کریں؛ مقامی تعیناتی میں ماحول ترتیب دے کر Unlimited OCR 2 ماڈل کے وزن لوڈ کریں۔
ٹاسک ترتیب دیں: صفحے یا API پیرامیٹرز کے ذریعے آؤٹ پٹ فارمیٹ، تجزیے کی حد، جدول اور لے آؤٹ شناخت جیسے اختیارات منتخب کریں۔
تجزیہ چلائیں: ٹاسک جمع کریں اور ماڈل کے صفحات کے درمیان تفہیم، مواد کے اخراج اور ساختی تخلیق مکمل کرنے کا انتظار کریں۔
نتائج کی جانچ کریں: صفحات کے درمیان عنوانات، جدولوں، فارمولوں، صفحہ نمبروں، حوالہ جات اور پیراگراف کے تسلسل کو خاص طور پر چیک کریں۔
برآمد اور انضمام: متن، Markdown یا JSON برآمد کریں، یا API کے ذریعے بیچ پروسیسنگ اور کاروباری نظاموں سے مربوط کریں۔

کسی بھی صفحات کی تعداد کا تجزیہ: روایتی OCR کی صفحات کی حد سے آگے بڑھتے ہوئے ہزاروں صفحات پر مشتمل طویل دستاویزات کو پروسیس کرتا ہے۔
طویل دستاویزات میں زیادہ مستحکم درستگی: صفحات کی تعداد میں نمایاں اضافے کے باوجود زیادہ تجزیاتی درستگی اور کارکردگی برقرار رکھتا ہے۔
صفحات کے درمیان بہتر تفہیم: سابقہ متن کی طرف رجوع اور صفحات کے درمیان معلومات کا ربط ممکن بناتا ہے، جس سے جوڑنے کے باعث پیدا ہونے والے سیاقی انقطاع کم ہوتے ہیں۔
زیادہ کمپیوٹیشنل کارکردگی: SR-SWA مکمل اٹینشن کے بجائے اسپارس ریفرنس استعمال کرتا ہے، جس سے غیر ضروری کمپیوٹیشن نمایاں طور پر کم ہوتی ہے۔
کم ویڈیو میموری لاگت: لامحدود ڈیکوڈنگ میکانزم کے ساتھ مل کر انتہائی طویل دستاویزات کے تجزیے میں ویڈیو میموری کا دباؤ کم کرتا ہے۔
بینچ مارکس میں نمایاں کارکردگی: متن کے مطابق، MPDocBench، MarathonDocBench جیسے طویل دستاویزات کے بینچ مارکس پر SOTA حاصل کرتا ہے۔

GitHub ریپوزٹری：https://github.com/baidu/Unlimited-OCR
HuggingFace ماڈل ریپوزٹری：https://huggingface.co/spaces/baidu/Unlimited-OCR-2

طویل کتابوں اور دستاویزات کا تجزیہ: مکمل ناول، درسی کتب اور کلاسیکی متون کو تیزی سے ڈیجیٹل بنانا اور صفحات کے درمیان سیاق برقرار رکھنا۔
تحقیقی اور مالیاتی رپورٹس کا تجزیہ: سینکڑوں صفحات پر مشتمل تحقیقی رپورٹس اور سالانہ رپورٹس کو ایک ہی بار میں پڑھ کر آرا، اشاریے اور خطرات نکالنا۔
قانونی اور تعمیری جائزہ: قوانین کے مجموعوں، معاہدوں اور مقدماتی مواد کو پروسیس کرنا اور صفحات کے درمیان دفعات کے ربط کو سپورٹ کرنا۔
آرکائیوز اور رسیدوں کی ڈیجیٹلائزیشن: اسکین شدہ آرکائیوز، طبی ریکارڈز اور تاریخی مواد کو بیچ کی صورت میں ساختی متن میں تبدیل کر کے ذخیرہ کرنا۔
RAG اور نالج بیس کی تعمیر: انتہائی طویل PDF کو قابل تلاش مواد میں تبدیل کرنا تاکہ سوال و جواب، تلاش اور ذہین ایجنٹس کے استعمال میں مدد ملے۔