Baidu Unlimited-OCR: Uzun Sənədlərdə Yüksək Dəqiqliklə Mətn Tanıma İnqilabı

Baidu Unlimited-OCR texnologiyasının yeniliyi

Baidu şirkəti uzun sənədlərin optik mətn tanınması (OCR) sahəsində yeni mərhələyə qədəm qoyub. Unlimited-OCR adlı model DeepSeek OCR üzərində inkişaf etdirilərək, uzun sənədlərin transkripsiyasında yaddaş idarəetmə problemlərini effektiv şəkildə həll edir.

Yaddaş böyüməsi və dəqiqlik məsələləri

Ənənəvi OCR modellərində sənəd səhifələrinin çoxluğu Key-Value (KV) cache yaddaşının sürətlə böyüməsinə səbəb olur. Unlimited-OCR isə bu problemi Reference Sliding Window Attention (R-SWA) adlı metodla aradan qaldırır. R-SWA iki yaddaş sahəsini saxlayır: statik referans prefiksi və sürüşən pəncərə. Statik prefiks sənədin vizual tokenlərini və sistem promptunu, sürüşən pəncərə isə son 128 çıxış tokenini əhatə edir. Bu yanaşma KV cache ölçüsünü sabit saxlayır və yaddaş böyüməsini məhdudlaşdırır.

Texnologiyanın əsas üstünlükləri

Sənəd səhifələri kiçik kvadrat hissələrə bölünür və vizual tokenlərə çevrilir. Daha çox patch istifadə etmək OCR dəqiqliyini artır, lakin hesablama xərclərini də yüksəldir. DeepSeek OCR-in optik sıxılma strategiyası Unlimited-OCR-də də tətbiq olunur və 10 dəfə sıxılma zamanı təxminən 97% dəqiqlik qorunur.

Açıq mənbə və tətbiq imkanları

Unlimited-OCR modeli Hugging Face və GitHub platformalarında açıq mənbə kimi təqdim edilir. Model Transformers, vLLM və SGLang vasitəsilə işlədilə bilər. Xüsusilə vLLM Unlimited-OCR üçün API serveri kimi istifadə oluna bilər ki, bu da texnologiyanın geniş tətbiq imkanlarını göstərir.

İnsanlar və sənədlər üçün yeni perspektiv

Bu texnologiya uzun sənədlərin sürətli və dəqiq transkripsiyasını mümkün edir, sənəd idarəetməsində yeni standartlar yaradır. Hüquq, tibb və elmi sahələrdə böyük həcmli sənədlərin avtomatlaşdırılmış emalı işləri asanlaşacaq. Bu isə insan əməyini azaldır, səhvləri minimuma endirir və vaxt qənaəti yaradır.

Unlimited-OCR uzun sənəd OCR sahəsində yaddaş və dəqiqlik problemlərini ustalıqla həll edən yeni nəsil texnologiyadır. Bu, sənəd tanıma proseslərini daha sürətli, effektiv və əlçatan edir.