baidu/Unlimited-OCR
Unlimited OCR Works Welcome the Era of One-shot Long-horizon Parsing. Release - 2026/06/23 📄 Our paper is now available on arXiv(https://arxiv.org/abs/2606.23050). - 2026/06/23 🤝 Thanks to the ModelScope community for their support. Our model is n...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Ngày
#1 Repository Của Ngày
#1 Repository Của Ngày
🚀 Unlimited OCR: Phân tích tài liệu dài chỉ bằng một lần suy diễn
Một bước đột phá trong OCR: xử lý toàn bộ tài liệu dài chỉ trong một lần gọi mô hình.
Unlimited OCR là mô hình OCR đa ngôn ngữ do Baidu phát triển, nhằm mở rộng khả năng phân tích tài liệu từ mô hình DeepSeek-OCR. Dự án hỗ trợ cả trích xuất văn bản đơn trang và phân tích đa trang/PDF dài, áp dụng công nghệ vision-language để xử lý ngữ cảnh rộng lớn.
✨ Điểm nổi bật
- Hỗ trợ Transformers: Chạy ngay trên HuggingFace với cấu hình bfloat16, tối ưu cho GPU NVIDIA.
- Chế độ đơn ảnh (gundam/base): Lựa chọn cấu hình phù hợp với loại hình tài liệu.
- Phân tích đa trang/PDF: Hỗ trợ xử lý nhiều trang liên tiếp với max_length lên đến 32768.
- Tích hợp SGLang: Hỗ trợ triển khai qua server SGLang với API tương thích OpenAI.
- Chặn lặp n-gram thông minh: Sử dụng
no_repeat_ngram_sizevàngram_windowđể tránh lặp lại văn bản. - Tự động chuyển đổi PDF: Công cụ chuyển đổi PDF sang ảnh bằng PyMuPDF.
💡 Vì sao đáng chú ý
Không giống các mô hình OCR truyền thống chỉ xử lý từng trang hoặc đoạn ngắn, Unlimited OCR thiết kế riêng cho việc phân tích tài liệu dài trong một lần suy diễn. Điều này giúp giảm đáng kể chi phí xử lý và duy trì ngữ cảnh toàn tài liệu, thích hợp cho sách, báo cáo, hợp đồng dài. Mô hình cũng hỗ trợ linh hoạt giữa inference cục bản và qua server, đáp ứng nhu cầu đa dạng về triển khai.
#OCR #VisionLanguage #Transformers #SGLang #DocumentParsing #TiniX
Similar Projects
Discover other similar projects and AI models.
📰 Tech Blog | 📄 Full Report 1. Model Introduction Kimi K3 is an open-weight, native multimodal agentic model and our most capable model to date. It is a 2.8T-parameter model built on Kimi Delta Attention (K...
🌟 Github | 📥 Model Download | 📄 Paper Link | 📄 Arxiv Paper Link | DeepSeek-OCR: Contexts Optical Compression Explore the boundaries of visual-text compression. Usage Inference using Huggingface transformers on NVIDIA GPUs. Requirements tested on...
Qwen3.8-27B !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc. !Tip F...
Hugging Face | GitHub | Launch Blog | Documentation License: Apache 2.0 | Authors: Google DeepMind Gemma is a family of open models built by Google DeepMind. Gemma 4 models are multimodal, handling text and image input (with audio supported on small...
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression Technical Report 👁️ Introduction We introduce DeepSeek-V4.1-Flash, a multimodal Mixture-of-Experts (MoE) model with 552B backbone parameters and support for contexts of up to one milli...
Qwen3.8-Flash-Next !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc....
DeepSeek-R1 Paper Link👁️ 1. Introduction We introduce our first-generation reasoning models, DeepSeek-R1-Zero and DeepSeek-R1. DeepSeek-R1-Zero, a model trained via large-scale reinforcement learning (RL) without supervised fine-tuning (SFT) as a p...
GLM-5.3-Flash 👋 Join our WeChat or Discord community. 📖 Check out the GLM-5.3-Flash blog and GLM-5 Technical report. 📍 Use GLM-5.3-Flash API services on Z.ai API Platform. Introduction We introduce GLM-5.3-Flash, the first natively multimodal mod...
LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding 🔗 Quick Links 🚀 Online Demo: LocateAnything (Hugging Face Spaces)(https://huggingface.co/spaces/nvidia/LocateAnything) 💻 GitHub Code: NVlabs/Eagle/Embodied...