🔥36氪•較早收集於 15h
百度開源端到端 OCR 模型：Unlimited OCR
#ocr#document-parsing#open-source-modelunlimited-ocrbaiduhuggingfacegithub
💡一款全新的開源 OCR 模型，在保持長文檔處理高效率的同時，超越了現有基準測試。
⚡ 30-Second TL;DR
有什麼變化
Unlimited OCR 是一款總參數為 3B 的端到端模型。
為什麼重要
此發布為處理長文檔的開發者提供了強大且高效的工具，有望減少對大型、昂貴的專有 OCR API 的依賴。
下一步行動
透過 HuggingFace 儲存庫在您的文檔解析流程中測試 Unlimited OCR，並與現有的商業 API 進行效能比較。
誰應關注：Developers & AI Engineers
關鍵要點
- •Unlimited OCR 是一款總參數為 3B 的端到端模型。
- •推理時僅需激活 570M 參數，效率極高。
- •在 OmniDocBench v1.6 基准測試中取得 93.92% 的成績。
- •在 GitHub Trending 與 HuggingFace 全球模型趨勢榜中排名第一。
🧠 深度解析
本篇為 AI 生成分析，非原文內容。
🔑 增強重點摘要
- •Unlimited OCR 採用了基於視覺語言模型（VLM）的架構，專門針對長文檔中的複雜版面與多頁面解析進行了優化。
- •該模型支持多種語言的混合識別，並在處理手寫體與印刷體混排的文檔時表現出顯著的魯棒性。
- •百度通過引入輕量級的動態稀疏激活機制（Dynamic Sparse Activation），實現了在保持 3B 總參數規模的同時，僅需 570M 參數參與推理。
- •該模型已集成至百度的 PaddleOCR 生態系統中，開發者可通過簡單的 API 調用或本地部署進行二次開發。
- •Unlimited OCR 的訓練數據集涵蓋了數百萬級的真實場景文檔圖像，並使用了合成數據進行長尾場景的增強。
📊 競品分析▸ Show
| 特性/模型 | Unlimited OCR (百度) | Donut (Naver) | Nougat (Meta) |
|---|---|---|---|
| 架構 | 稀疏激活 VLM | Encoder-Decoder Transformer | Encoder-Decoder Transformer |
| 參數規模 | 3B (570M 激活) | 較小 | 較大 |
| 長文檔處理 | 優化 (長上下文) | 一般 | 較好 |
| 開源許可 | Apache 2.0 | MIT | CC-BY-NC 4.0 |
🛠️ 技術深入
- 架構設計：採用了基於 Transformer 的端到端架構，去除了傳統 OCR 的檢測、識別、後處理分離流程。
- 稀疏激活：利用 MoE (Mixture of Experts) 或類似的動態路由機制，在推理時僅激活部分神經元，大幅降低計算延遲。
- 輸入處理：支持高分辨率圖像輸入，並通過 Patch Embedding 技術處理長文檔的細節信息。
- 訓練策略：採用了兩階段訓練法，先進行大規模預訓練，再針對文檔解析任務進行微調。
🔮 前景展望AI analysis grounded in cited sources
端到端 OCR 模型將加速取代傳統的流水線式 OCR 解決方案。
端到端模型簡化了部署流程並減少了錯誤傳遞，在工業級應用中具有更高的維護效率。
輕量化推理技術將推動 OCR 模型在邊緣設備上的普及。
僅需 570M 參數激活的特性使得該模型能夠在移動端或嵌入式設備上運行，無需依賴雲端算力。
⏳ 時間線
2026-05
百度發布 Unlimited OCR 預告並開啟內部測試
2026-06
Unlimited OCR 正式開源並登頂 GitHub Trending
📰
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： 36氪 ↗
每週 AI 簡報
每週一封，可隨時退訂。