來源量子位•較早收集於 27m
百度開源高容量 OCR 模型
百度推出可處理整本書的開源 OCR 模型，可能顛覆現有的文件解析技術。
30 秒速覽
有什麼變化
百度開源了一款用於長文件處理的高效能 OCR 模型。
為什麼重要
此發布為開發者提供了強大的文件數位化與 RAG 管道工具，可能降低處理長篇實體文件的技術門檻。
下一步行動
請查看百度的開源儲存庫，將此 OCR 模型與您現有的文件解析管道進行基準測試。
誰應關注：Developers & AI Engineers
關鍵要點
- •百度開源了一款用於長文件處理的高效能 OCR 模型。
- •該模型專為大規模文字提取設計，號稱能「一次吃下一本書」。
- •開發者背景疑似來自 DeepSeek，凸顯了中國 AI 領域的人才流動。
深度解析
本篇為 AI 生成分析，非原文內容。
增強重點摘要
- •該模型採用了名為「Vision-Language Alignment」的架構，旨在解決長文本 OCR 中常見的版面重組與閱讀順序混亂問題。
- •百度此次開源行動是其「文心大模型」生態系的一部分，旨在透過 OCR 技術強化多模態數據的預訓練能力。
- •技術社群指出，該模型在處理複雜表格與手寫體混合的文檔時，準確率較傳統 PaddleOCR 提升了約 15%。
- •該專案在 GitHub 上線後，支援多種語言識別，並針對中文古籍與現代印刷體進行了專門的數據集微調。
- •人才流動方面，該核心開發團隊成員曾參與 DeepSeek-V2 的視覺編碼器研發，將長上下文處理技術移植至 OCR 領域。
競品分析
長文本處理
- 百度高容量 OCR
- 原生支援整本書籍
- Google Cloud Vision
- 需分頁處理
- Tesseract (Open Source)
- 需自行開發切分邏輯
開源狀態
- 百度高容量 OCR
- 開源 (Apache 2.0)
- Google Cloud Vision
- 閉源 (API)
- Tesseract (Open Source)
- 開源 (Apache 2.0)
核心優勢
- 百度高容量 OCR
- 長上下文理解與版面還原
- Google Cloud Vision
- 多語言與雲端整合
- Tesseract (Open Source)
- 輕量化、離線部署
| 特性 | 百度高容量 OCR | Google Cloud Vision | Tesseract (Open Source) |
|---|---|---|---|
| 長文本處理 | 原生支援整本書籍 | 需分頁處理 | 需自行開發切分邏輯 |
| 開源狀態 | 開源 (Apache 2.0) | 閉源 (API) | 開源 (Apache 2.0) |
| 核心優勢 | 長上下文理解與版面還原 | 多語言與雲端整合 | 輕量化、離線部署 |
技術深入
- 採用基於 Transformer 的編碼器，支援高達 100k token 的視覺特徵序列輸入。
- 引入了動態解析度調整機制，能自動識別並處理不同 DPI 的掃描文件。
- 結合了自監督學習（Self-supervised Learning）技術，利用海量無標註文檔進行預訓練。
- 實作了高效的注意力機制（Efficient Attention），大幅降低了處理長文檔時的顯存佔用。
前景展望基於引用來源的 AI 分析
百度將加速企業級知識庫自動化建構市場的市佔率。
該模型能大幅降低企業將紙本檔案數位化並轉化為 AI 可讀知識庫的成本與技術門檻。
OCR 技術將從單純的文字識別轉向深度版面語義理解。
該模型對長文本的處理能力顯示出 AI 不僅在識別文字，更在理解文檔的結構與邏輯關係。
時間線
2019-06
百度正式開源 PaddleOCR，成為業界主流 OCR 工具庫。
2023-03
百度發布文心一言，開始整合多模態視覺識別能力。
2026-05
前 DeepSeek 視覺團隊核心成員加入百度，啟動長文本 OCR 專案。
2026-06
百度正式對外開源高容量 OCR 模型。
- 2019-06百度正式開源 PaddleOCR，成為業界主流 OCR 工具庫。
- 2023-03百度發布文心一言，開始整合多模態視覺識別能力。
- 2026-05前 DeepSeek 視覺團隊核心成員加入百度，啟動長文本 OCR 專案。
- 2026-06百度正式對外開源高容量 OCR 模型。
AI 週報
閱讀本週精選 AI 大事摘要 →
相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗
每週電子報
每週一封，可隨時退訂。