Unlimited OCR 2 Faoliyat yuritmoqda

Unlimited OCR 2 — Baidu Wenxin tomonidan ochiq manba sifatida taqdim etilgan, uchdan uchigacha hujjatlarni tahlil qilish modeli bo‘lib, istalgan sahifa soniga ega juda uzun hujjatlarni tahlil qilishni qo‘llab-quvvatlaydi. U bir martada minglab sahifali kitoblarni ham aniqlik va samaradorlikni saqlagan holda qayta ishlay oladi. Unlimited OCR 2 siyrak havolali suriluvchi oyna diqqat mexanizmi va cheksiz dekodlash mexanizmidan foydalanadi, uzun hujjatlarni hisoblash hamda videoxotira sarfini kamaytiradi. MPDocBench, MarathonDocBench kabi mezonlarda SOTA natijasiga erishib, OCRni 3.0 davriga olib kiradi.

Istalgan sahifa sonini tahlil qilish: an’anaviy sahifa cheklovlarini yengib, bir martada minglab sahifali uzun hujjatlarni qayta ishlashni qo‘llab-quvvatlaydi.
Uzun hujjatlarni yuqori aniqlikda tushunish: hujjat hajmi sezilarli darajada oshganda ham yuqori tahlil aniqligi va qayta ishlash samaradorligini saqlaydi.
Sahifalararo axborotni bog‘lash: oldingi matnni qayta ko‘rib chiqishi va sahifalararo mazmunni tekshirishi mumkin, shu orqali ko‘p sahifalarni birlashtirishdan kelib chiqadigan kontekst uzilishlarini kamaytiradi.
Ochiq manba sifatida foydalanish: kod va model og‘irliklari ochiq manbada taqdim etilgan, shuningdek Baidu Intelligent Cloud va Baidu AI Open Platform platformalarida ishga tushirilgan.

WeChat’da kuzatib boring va “开源” deb javob yuborib, AI ochiq manba loyihalari guruhiga qo‘shiling.
SR-SWA siyrak havolali suriluvchi oyna diqqati: inson kitob ko‘chirayotganda “joriy sahifaga e’tibor berish, zarur bo‘lsa oldingi matnni qayta ko‘rish” usulidan ilhomlanadi. Page Gate har bir so‘rovning vizual murojaat doirasini butun hujjatdan tegishli sahifalargacha qisqartiradi va sahifalararo joylashuv munosabatlarini modellashtiradi; eng yuqori ballga ega Visual Token Buckets joriy etilib, uzoq masofali vizual bog‘liqliklar ushlanadi va Full Attentionning butun hujjat tokenlari bo‘yicha ortiqcha hisoblashlari oldi olinadi.
Unlimited-Horizon Decoding cheksiz dekodlash mexanizmi: juda uzun hujjatlarni tahlil qilishdagi hisoblash va videoxotira to‘siqlariga mos ravishda dekodlash jarayonini optimallashtiradi. Shu sababli ko‘proq sahifalarni qayta ishlashda model kontekst uzunligi bilan qat’iy cheklanmaydi va “istalgan sahifa soni”ni tahlil qilish maqsadini qo‘llab-quvvatlaydi.
Uzun hujjatlarni uchdan uchigacha modellashtirish: an’anaviy OCRdagi alohida sahifalarni tanib, keyin birlashtirish usulidan ham, oldingi avloddagi faqat ketma-ket o‘nlab sahifalargacha kengaytirilgan R-SWA usulidan ham farqli ravishda, Unlimited OCR 2 sahifalararo tanlash, havola orqali qayta ko‘rish va joriy sahifani tushunishni yagona uchdan uchigacha bo‘lgan tizimga birlashtiradi. Bu uzun hujjatlarni tahlil qilishning izchilligi va to‘liqligini oshiradi.
Samaradorlik va xarajatlarni nazorat qilish: SR-SWAning bir bosqichli dekodlash tezligi Full Attentionga nisbatan 7 baravar, avvalgi avlod R-SWAga nisbatan 5.6 baravar yuqori. Asosiy foyda global to‘liq diqqat mexanizmini siyrak havola bilan almashtirishdan kelib chiqadi.

Kirish nuqtasini tanlash: GitHub yoki Hugging Face’dan kod va og‘irliklarni yuklab olib, mahalliy joylashtiring.
Hujjatlarni tayyorlash: PDF, skanerlangan materiallar yoki uzun hujjatlarni tartibga soling; sahifalar to‘liq, aniq va to‘g‘ri yo‘nalgan bo‘lsin.
Yuklash yoki ochish: onlayn kirish nuqtasida hujjatni bevosita yuklang; mahalliy joylashtirishda muhitni sozlab, Unlimited OCR 2 model og‘irliklarini yuklang.
Vazifani sozlash: sahifa yoki API parametrlari orqali chiqish formati, tahlil doirasi, jadval va maketni tanib olish kabi parametrlarni belgilang.
Tahlilni ishga tushirish: vazifani yuboring va model sahifalararo tushunish, mazmunni ajratib olish hamda strukturali natija yaratishni yakunlashini kuting.
Natijani tekshirish: sahifalararo sarlavhalar, jadvallar, formulalar, sahifa raqamlari, havolalar va paragraflar uzluksizligini diqqat bilan tekshiring.
Eksport va integratsiya: matn, Markdown yoki JSONni eksport qiling yoxud API orqali paketli qayta ishlash va biznes tizimlariga ulang.

Istalgan sahifa sonini tahlil qilish: an’anaviy OCR sahifa cheklovlarini yengib, minglab sahifali uzun hujjatlarni qayta ishlay oladi.
Uzun hujjatlarda barqarorroq aniqlik: sahifalar soni sezilarli oshganda ham yuqori tahlil aniqligi va samaradorligini saqlaydi.
Kuchliroq sahifalararo tushunish: oldingi matnni qayta ko‘rib, sahifalararo axborotni bog‘lay oladi va birlashtirishdan kelib chiqadigan kontekst uzilishlarini kamaytiradi.
Yuqoriroq hisoblash samaradorligi: SR-SWA to‘liq diqqat mexanizmini siyrak havola bilan almashtirib, ortiqcha hisoblashlarni sezilarli kamaytiradi.
Kamroq videoxotira sarfi: cheksiz dekodlash mexanizmi bilan birgalikda juda uzun hujjatlarni tahlil qilishdagi videoxotira bosimini yengillashtiradi.
Mezonlarda yetakchi natijalar: matnda MPDocBench, MarathonDocBench kabi uzun hujjatlar mezonlarida SOTA natijalariga erishilgani aytiladi.

GitHub repozitoriysi: https://github.com/baidu/Unlimited-OCR
Hugging Face model repozitoriysi: https://huggingface.co/spaces/baidu/Unlimited-OCR-2

Uzun kitoblar va adabiyotlarni tahlil qilish: butun romanlar, darsliklar va mumtoz asarlarni tez raqamlashtirib, sahifalararo kontekstni saqlash.
Tadqiqot va moliyaviy hisobotlarni tahlil qilish: yuzlab sahifali tadqiqot hisobotlari va yillik hisobotlarni bir martada o‘qib, fikrlar, ko‘rsatkichlar va xavf omillarini ajratib olish.
Huquqiy va muvofiqlik tekshiruvi: qonunlar to‘plami, shartnomalar jildi va ish materiallarini qayta ishlab, sahifalararo bandlarni bog‘lashni qo‘llab-quvvatlash.
Arxiv va hujjatlarni raqamlashtirish: skanerlangan arxivlar, tibbiy kartalar va tarixiy materiallarni paketli tarzda strukturali matnga aylantirib, ma’lumotlar bazasiga kiritish.
RAG va bilim bazasini yaratish: juda uzun PDF hujjatlarni qidiriladigan mazmunga aylantirib, savol-javob, qidiruv va agentlar chaqiruviga xizmat qilish.