OCR 模型出现吞金兽了

慢就是快

OCR 模型出现吞金兽了

文心 Unlimited OCR 第二代发布
从连续解析几十页，升级到直接能把3600页哈利波特七部全吞了

将文档解析的处理上限从数十页推向“无限”

第二代的Unlimited OCR引入 Unlimited-Horizon Decoding Paradigm，无限跨度解码机制：

具备端到端一次性吞吐数千页超长文档的能力（例如一口气解析 1200+ 页的《三体》全三册、3600+ 页的《哈利·波特》七部曲）

它将文档划成多个页面块
相邻块共享一个边界页

当前块解析完成后，保留边界页的视觉 KV，以及近期输出的文本 KV

进入下一块，复用这些状态
释放已经不活跃的旧页面缓存

例如，处理完第 1–10 页后，可以保留第 10 页作为边界，继续处理后面的页面

这样，GPU 上主要驻留当前活动块所需的缓存，而不必驻留整本书

Unlimited OCR  2重点处理的内容包括：

文字和阅读顺序：认出页面上的文字，并按正确顺序排列，避免正文、脚注等内容混在一起

表格和续表：识别表格里的文字、数字和行列关系。如果一张表分在两页上，尽量把它接成一张完整的表。

跨页段落：判断上一页没写完的段落，是否在下一页继续，把前后内容接起来

标题和章节关系：识别哪些是大标题、哪些是小标题，尽量保留文章原来的章节结构

图片和图表的位置：找出页面上哪里有图片、哪里有图表，记录它们的位置
https://x.com/xiaohu/status/2114927673894199611/video/1