‏اجرای Unlimited OCR 2 بایدو روی سیستم شخصی

Unlimited OCR 2 یه مدل متن‌باز تبدیل سند از بایدوئه که تو Hugging Face با اسم baidu/Unlimited-OCR-2 منتشر شده. عکس صفحه، دست‌نوشته، فاکتور یا جدول رو می‌گیره و خروجی ساختاریافته می‌ده: متن تمیز، جدول، عنوان‌ها و فرمول‌ها به شکل LaTeX. با کتابخونهٔ transformers کار می‌کنه و کد اجرای خودش رو هم داره.

برگ برندهٔ این مدل مکانیزمی به اسم SR-SWAه، یعنی یه جور attention پراکنده که فقط چند نقطهٔ مرجع ثابت از صفحه‌های قبلی رو نگه می‌داره، نه کل سند رو. نتیجه اینه که حافظه و سرعت با زیاد شدن صفحه‌ها تقریباً ثابت می‌مونه. نویسنده این رو به دانشجویی تشبیه می‌کنه که به‌جای حفظ کردن کل جزوه، فقط چند جای مهم رو جلوی چشمش نگه می‌داره. هزینه‌ش اینه که مدل عمداً همه‌چیز رو هم‌زمان نمی‌بینه.

به گفتهٔ مقاله، روی بنچمارک اسناد صدصفحه‌ای این مدل حدود ۷۷ از ۱۰۰ می‌گیره، در حالی که خیلی از رقبا مثل Qwen و Gemini زیر ۳۰ می‌افتن. نسخهٔ اول Unlimited OCR روی همین تست نزدیک صفر گرفته بود. روی اسناد کوتاه‌تر (چند ده صفحه) برتری‌ش فقط چند امتیازه.

نصب محلی‌ش مثل بقیهٔ مدل‌های بینایی Hugging Faceه: پیش‌نیازها مثل PyTorch و transformers رو نصب می‌کنی، وزن‌ها رو دانلود می‌کنی و یه اسکریپت inference اجرا می‌کنی. فایل‌های مدل نشون می‌دن بخشی از معماری از کد DeepSeek V2 اومده (configuration_deepseek_v2.py). یه wheel آماده از SGLang (sglang-0.5.20.dev10) هم همراهشه که باهاش می‌شه یه سرور API محلی بالا آورد، که برای پردازش دسته‌ای کاربردی‌تره. تو تست، مدل با دقت کامل حدود ۸.۳ گیگابایت VRAM مصرف کرد.

تو تست‌های عملی، یه صفحهٔ دست‌نویس فیزیک (نسبیت خاص، اثر فوتوالکتریک، تابش جسم سیاه) درست به LaTeX تبدیل شد. یه مسئلهٔ ریاضی چاپی تو حدود ۲ ثانیه پارس شد و فقط یه خط کسری جا افتاد. یه فاکتور هم تمیز تبدیل شد ولی یه خط آخرش گم شد. بیش از ۵۰ صفحه متن ساده هم بدون خطا خونده شد.

ضعف‌ها هم روشنه. روی صفحه‌ای با انگلیسی، اردو و اندونزیایی، مدل به متن اردو که رسید تو یه حلقهٔ تکرار گیر کرد، با اینکه تو Hugging Face برچسب multilingual داره. روی یه روزنامهٔ سال ۱۸۸۳ هم سال رو ۱۸۹۳ خوند، یه قیمت رو اشتباه خوند و سرتیتر تزئینی رو کلاً رد کرد. جمع‌بندی نویسنده اینه که برای اسناد طولانی و ساده به انگلیسی یا چینی عالیه، ولی برای چاپ قدیمی و چندزبانه باید خروجی رو دستی چک کنی.

نکات کلیدی:

• مدل با اسم baidu/Unlimited-OCR-2 تو Hugging Face منتشر شده و محلی اجرا می‌شه.
• مصرف حافظه تو تست با دقت کامل حدود ۸.۳ گیگابایت VRAM بود.
• روی بنچمارک صدصفحه‌ای حدود ۷۷ از ۱۰۰ گرفته؛ رقبا زیر ۳۰ و نسخهٔ قبلی نزدیک صفر.
• مکانیزم SR-SWA با نگه داشتن چند نقطهٔ مرجع ثابت، سرعت و حافظه رو با طول سند ثابت نگه می‌داره.
• یه wheel آماده از SGLang نسخهٔ 0.5.20.dev10 برای ساخت سرور محلی همراه مدله.
• عمدتاً برای انگلیسی و چینی تنظیم شده و روی اردو و چاپ تزئینی قدیمی خطا داره.