ऐप्स और सॉफ्टवेयर

बायडू ने लॉन्च किया Unlimited OCR 2, दावा किया असीम‑होराइज़न दस्तावेज़ पार्सिंग

04 Nov 2026, 06:37 AM IST · GlobeWire Daily Editorial Desk · Source: github.com

3 मिनट में पढ़ें

मुख्य बातें--- यह लेख केवल बायडू के सार्वजनिक GitHub रिपॉज़िटरी, संबंधित arXiv पेपर और बेंचमार्क दस्तावेज़ों पर आधारित है।

Baidu Unveils Unlimited OCR 2, Claiming Unlimited‑Horizon Document Parsing

चित्र: GitHub · चित्र स्रोत · Resized and letterboxed to 16:9; no AI generation

बायडू ने क्या घोषणा की

बायडू की AI रिसर्च टीम ने GitHub (https://github.com/baidu/Unlimited-OCR) पर Unlimited OCR 2 जारी किया। रिपॉज़िटरी के नोट्स के अनुसार यह मॉडल एक ही अनुरोध में *किसी भी लंबाई* के दस्तावेज़ को पढ़ सकता है, जिसे वे असीम‑होराइज़न पार्सिंग कहते हैं।

मुख्य तकनीकी दावा – Sparse Reference Sliding Window Attention (SR‑SWA)

SR‑SWA टेक्स्ट‑विज़ुअल ट्रांसफ़ॉर्मर के अटेंशन मैप को एक निश्चित आकार (जैसे 512 टोकन) के रेफ़रेंस सेट में संकुचित करता है।
इससे पेजों की संख्या चाहे कितनी भी हो, प्रति‑स्टेप लेटेंसी और मेमोरी उपयोग लगभग स्थिर रहता है।
लेखकों का कहना है कि यह क्वाड्रेटिक स्केलिंग को समाप्त कर देता है, जो पारंपरिक OCR मॉडलों को कुछ दहाई पेज तक सीमित रखती थी।

रिपोर्टेड प्रदर्शन

टीम ने दो नए बेंचमार्क जारी किए: MPDocBench (दहाई पेज) और MarathonDocBench (सैकड़ों पेज)।
रिपॉज़िटरी के README के अनुसार Unlimited OCR 2 दोनों में *state‑of‑the‑art* स्कोर हासिल करता है, Deepseek‑OCR, PaddleOCR और पहले के Deepseek‑OCR‑2 परिणामों को पीछे छोड़ते हुए।
एक डेमो वीडियो में 300‑से‑अधिक पेज की पूरी किताब को एक ही API कॉल में प्रोसेस होते दिखाया गया है।

उपलब्धता और इकोसिस्टम समर्थन

मॉडल अब ModelScope और Baidu Cloud दोनों पर डाउनलोड के लिए उपलब्ध है।
समुदाय के सदस्य AK ने Hugging Face Spaces पर एक डेमो बनाया है, जो अभी लाइव है।
कोड मानक Transformers लाइब्रेरी के साथ काम करता है, लेकिन प्रोडक्शन सर्विंग के लिए SGLang की सिफ़ारिश की गई है क्योंकि यह बैचिंग और CUDA‑graph को अधिक कुशल बनाता है।

डेवलपर्स के लिए व्यावहारिक प्रभाव

वन‑शॉट पार्सिंग: पहले जहाँ PDF को पेज‑वाइज़ भेजना पड़ता था, अब पूरा दस्तावेज़ एक बार में भेजा जा सकता है, जिससे पेज‑ओवरलैपिंग टेबल या फ़िगर जैसी जानकारी बनी रहती है।
मेमोरी प्लानिंग: README में कई पैरामीटर (जैसे `--mem-fraction-static`, `--max-prefill‑tokens`) बताए गए हैं, जो GPU RAM उपयोग को नियंत्रित करते हैं।
स्केलेबिलिटी: NVIDIA A800‑80GB पर किए गए शुरुआती परीक्षणों में `--mem-fraction-static` को 0.7 पर सेट करने से 32 समवर्ती अनुरोधों पर स्थिर मेमोरी उपयोग दिखा।
API संगतता: मॉडल OpenAI‑compatible endpoint प्रदान करता है, जिससे मौजूदा क्लाइंट लाइब्रेरीज़ के साथ इंटीग्रेशन आसान हो जाता है।

दावों की पुष्टि कैसे करें

arXiv पेपर (2026‑11‑02) देखें, जहाँ SR‑SWA और बेंचमार्क विधि का औपचारिक विवरण है।
GitHub रिपॉज़िटरी क्लोन करें और `infer_multi` स्क्रिप्ट को मल्टी‑पेज PDF पर चलाएँ; आउटपुट को बेंचमार्क फ़ोल्डर में मौजूद ग्राउंड‑ट्रुथ से तुलना करें।
बेंचमार्क लॉग को `utils/README.md` में देखें, जहाँ MPDocBench और MarathonDocBench के सटीक अंक दिए गए हैं।
तीसरे पक्ष की मूल्यांकन खोजें – ब्लॉग या कॉन्फ़्रेंस टॉक जो परिणामों को दोहराते हों।

अभी भी अनिश्चित बातें

उपभोक्ता‑ग्रेड GPU (जैसे RTX 3080) पर वास्तविक लेटेंसी अभी प्रकाशित नहीं हुई है।
अत्यधिक जटिल लेआउट (बहु‑कॉलम वैज्ञानिक पेपर) को मॉडल कितनी अच्छी तरह संभालता है, यह बेंचमार्क डेटा में स्पष्ट नहीं है।
लाइसेंसिंग और व्यावसायिक उपयोग की शर्तें रिपॉज़िटरी में स्पष्ट रूप से नहीं बताई गई हैं।

समुदाय की सराहना

रिलीज़ नोट्स में ms‑swift, vLLM, ModelScope, Baidu Cloud समुदायों और डेमो बनाने वाले व्यक्तिगत योगदानकर्ताओं को धन्यवाद दिया गया है।

--- *यह लेख केवल बायडू के सार्वजनिक GitHub रिपॉज़िटरी, संबंधित arXiv पेपर और बेंचमार्क दस्तावेज़ों पर आधारित है।*

संबंधित विषय

मूल स्रोत पढ़ें: baidu/Unlimited-OCR: Unlimited OCR Works: Welcome the Era of One-shot Long-horizon Parsing. - GitHub

AI की सहायता से तैयार रिपोर्ट; मूल स्रोत के दावों की स्वतंत्र पुष्टि नहीं की गई है।

लेखक के बारे में

GlobeWire Daily Editorial Desk — प्रकाशित स्रोतों पर आधारित AI-सहायता प्राप्त खबरें।