Baidu कंपनी ने दस्तावेज़ विश्लेषण के लिए अपने मॉडल का दूसरा संस्करण, अनलिमिटेड OCR 2, प्रस्तुत किया और जनता के लिए खोल दिया है। इस विकास का उद्देश्य किसी भी संख्या के पृष्ठों वाले दस्तावेज़ों को एक निरंतर पास में पढ़ने की क्षमता प्रदान करना है।
मॉडल का कोड और वज़न MIT लाइसेंस के तहत GitHub और Hugging Face प्लेटफॉर्म पर उपलब्ध हैं। इसके अतिरिक्त, यह मॉडल Baidu AI Cloud और Baidu AI Open Platform के माध्यम से भी प्रदान किया जाता है।
जून में जारी किया गया पहला अनलिमिटेड-OCR संस्करण, अलग-अलग पृष्ठों से लेकर दर्जनों क्रमिक पृष्ठों तक पार्सिंग क्षमताओं का विस्तार करने के लिए लिंक पर आधारित स्लाइडिंग विंडो अटेंशन तंत्र का उपयोग करता था। दूसरे संस्करण में इस तंत्र को स्पार्स रेफरेंस स्लाइडिंग विंडो अटेंशन, या SR-SWA से बदल दिया गया है।
Baidu नए दृष्टिकोण की तुलना इस बात से करती है कि कोई व्यक्ति किताब कैसे कॉपी करता है: यह वर्तमान पृष्ठ पर ध्यान केंद्रित करता है और केवल तभी पिछले पृष्ठों का संदर्भ लेता है जब क्रॉस-पेज जानकारी की आवश्यकता होती है। व्यवहार में, एक विशेष पेज गेट पहले प्रत्येक अनुरोध के दृश्य लिंक को पूरे दस्तावेज़ से प्रासंगिक पृष्ठों तक संकुचित करता है, साथ ही पृष्ठों के बीच की स्थिति का अनुकरण भी करता है। फिर दीर्घकालिक निर्भरताओं को कैप्चर करने के लिए सबसे अधिक मूल्यांकित दृश्य टोकन समूहों को आकर्षित किया जाता है।
परियोजना के विवरण के अनुसार, SR-SWA अल्ट्रा-लंबे अनुक्रमों से टेक्स्टुअल-विज़ुअल अटेंशन को एक निश्चित कार्यशील लिंक सेट, जैसे 512 टोकन, में संपीड़ित करता है। यह सुनिश्चित करता है कि प्रत्येक चरण पर डिकोडिंग विलंबता और मेमोरी खपत दस्तावेज़ की लंबाई की परवाह किए बिना लगभग स्थिर बनी रहे। अनलिमिटेड-होराइजन डीकोडिंग नामक तकनीक के साथ मिलकर, यह मॉडल को सीमित संदर्भ विंडो के भीतर बहुत लंबे इनपुट डेटा को संसाधित करने की अनुमति देता है।
अपने स्वयं के उदाहरण में, Baidu ने प्रदर्शित किया कि मॉडल एक सत्र में 3600 से अधिक पृष्ठों वाली हैरी पॉटर की सभी सात किताबों को संसाधित करने में सक्षम था।
प्रस्तुत आँकड़े कंपनी के आंतरिक परीक्षणों पर आधारित हैं। Baidu ने मल्टी-पेज पार्सिंग के लिए बेंचमार्क MPDocBench पर 84.6 और 100 पृष्ठों के दस्तावेज़ों के लिए बेंचमार्क MarathonDocBench पर 77.1 अंक प्राप्त करने की सूचना दी, जिसे Baidu ने मॉडल के साथ Hugging Face पर प्रकाशित किया है। कंपनी का दावा है कि दोनों परिणाम एंड-टू-एंड पार्सिंग के लिए अत्याधुनिक हैं और उन कई सामान्य फ्लैश-टियर स्तर के मॉडलों से बेहतर हैं जिनका उन्होंने परीक्षण किया है।
100 पृष्ठों के परिदृश्य में, Baidu की रिपोर्ट इंगित करती है कि SR-SWA प्रत्येक चरण को पूर्ण अटेंशन की तुलना में सात गुना तेजी से और पिछले R-SWA संरचना की तुलना में 5.6 गुना तेजी से डिकोड करता है। लेख लिखे जाने के समय स्वतंत्र मूल्यांकन अभी तक प्रकाशित नहीं हुए हैं।
पहले संस्करण ने डेवलपर्स के बीच काफी रुचि जगाई। Baidu बताती है कि मॉडल को Hugging Face पर 10 मिलियन से अधिक डाउनलोड और GitHub पर 28,500 स्टार मिले हैं। वर्तमान में, मॉडल तेज़ परीक्षणों के लिए ट्रांसफॉर्मर्स और सेवा के लिए SGLang का उपयोग करके काम कर रहा है। Baidu 12 नवंबर को होने वाले Baidu World 2026 कार्यक्रम में मॉडल के बारे में अधिक जानकारी प्रस्तुत करने की योजना बना रही है।
