Unlimited OCR 2 روی اسناد صدصفحهای چقدر دووم میاره؟
خلاصهٔ کاملتر
Unlimited OCR 2 مدل تبدیل سند بایدوئه که صفحههای اسکنشده، PDF و عکس رو به متن، جدول، فرمول و عنوان تبدیل میکنه. مشکلی که هدف گرفته اینه که بیشتر مدلهای OCR و vision-language با بلندتر شدن سند کندتر و بیدقتتر میشن، چون میخوان کل تاریخچهٔ صفحهها رو تو حافظه نگه دارن. این مقاله روی بنچمارکها و نقاط شکست این مدل تمرکز کرده.
بایدو مدل رو روی دو بنچمارک سنجیده. MP-DocBench اسنادی با چند ده صفحه داره و اونجا Unlimited OCR 2 فقط چند امتیاز از Qwen و Gemini جلوتره. ولی Marathon-DocBench که اسناد حدود ۱۰۰ صفحهای داره ماجرا رو عوض میکنه: بیشتر مدلها زیر ۳۰ از ۱۰۰ میگیرن و این مدل حدود ۷۷. نسخهٔ اول Unlimited OCR روی همین تست صفر گرفته بود، پس به گفتهٔ نویسنده این یه اصلاح ساختاریه، نه یه بهبود کوچیک.
دلیلش مکانیزم SR SWAه، یعنی یه جور sliding window attention پراکنده که فقط مجموعهٔ کوچیک و ثابتی از نقاط مرجع صفحههای قبلی رو نگه میداره و بقیه رو نادیده میگیره. اینجوری مصرف حافظه و سرعت با تعداد صفحهها بالا نمیره. نویسنده تأکید میکنه هزینهش اینه که چیزهایی که بیرون از این نقاط مرجع میافتن ممکنه جا بمونن، حتی داخل یه صفحهٔ تنها.
تستهای عملی همین رو نشون دادن. سند ۵۰ صفحهای انگلیسی ساده بدون هیچ متن جاافتادهای خونده شد. ولی روی صفحهای با انگلیسی، اردو و اندونزیایی، مدل بعد از خوندن درست انگلیسی، به اردو که رسید تو حلقهٔ تکرار گیر کرد. یعنی احتمالاً عمدتاً با انگلیسی و چینی آموزش دیده و برای خطهای غیرلاتین یا راستبهچپ مناسب نیست.
روی یه روزنامهٔ ۱۸۸۳، متن اصلی تو کمتر از ۲ ثانیه درست خونده شد، ولی سرتیتر تزئینی کلاً رد شد، سال ۱۸۹۳ خونده شد و قیمت «سه پنی» به چیزی مثل «۱۰ پوند» تبدیل شد. در عوض یه صفحهٔ دستنویس فیزیک یهجا درست به LaTeX تبدیل شد، یه مسئلهٔ ریاضی چاپی تو ۲ ثانیه با همهٔ مراحل درست پارس شد (فقط یه خط کسری تو نمایش جا افتاد) و یه فاکتور هم تمیز تبدیل شد ولی یه ردیفش گم شد.
جمعبندی مقاله اینه که برای اسناد بلند، تمیز و انگلیسی یا چینی گزینهٔ قویایه و اجرای محلی با حدود ۸.۳ گیگابایت VRAM یعنی نه هزینهٔ API به ازای صفحه داری نه سقف طول سند. ولی برای تولید، نویسنده توصیه میکنه تاریخها، قیمتها، اسمهای خاص و کامل بودن جدولها رو حتماً با سند اصلی چک کنی.
نکات کلیدی:
- روی Marathon-DocBench (اسناد حدود ۱۰۰ صفحهای) حدود ۷۷ از ۱۰۰ گرفته؛ بیشتر رقبا زیر ۳۰.
- نسخهٔ اول Unlimited OCR روی همین بنچمارک صفر گرفته بود.
- روی MP-DocBench (چند ده صفحه) برتری فقط چند امتیازه.
- SR SWA با نگه داشتن چند نقطهٔ مرجع ثابت، حافظه رو ثابت نگه میداره ولی ممکنه جزئیات داخل صفحه رو از دست بده.
- روی متن اردو تو حلقهٔ تکرار گیر کرد و روی روزنامهٔ ۱۸۸۳ سال و قیمت رو اشتباه خوند.
- اجرای محلی با دقت کامل حدود ۸.۳ گیگابایت VRAM لازم داره.




