推文

@tvytlx · 2026-10-12 04:19

OCR 每一页都认得很准，整份文档却读错了。 这事做过文档处理的人应该都踩过。 传统 OCR 把 PDF 一页一页切开读。 第 37 页的表格，表头在第 36 页。 前面定义的条款，后面二十页才引用。 一段话被分页截成两半。 单页看都对，拼回去就散了。 百度刚开源了一个 Unlimited OCR，思路很直接：整份文档一次读完。 3B 参数，32K 上下文，本地能跑。 原帖说 100 页 PDF 一次吞下。 标准解析基准 93%，比基线高 6 个点。 过了 40 页，错误率还在 0.11 以下。 Transformers、vLLM、Ollama、llama.cpp 都能接。 Hugging Face 下载已经 190 万。 我算了一下，32K 装 100 页，每页只分到 300 多个 token。 我猜这玩意靠的就是 DeepSeek OCR 那条路，把一整页文字当图片压成很少的视觉 token。 百度也明说了，就是冲着把 DeepSeek OCR 再往前推一步做的。 云端 OCR 现在大概每千页 1.5 到 15 美元。 个人用无所谓。 律所、券商、做知识库的公司，每天几十万页的时候，这就是一条实打实的成本线。 现在这条线能挪到自己机器上，数据也不用出门。 边界也说一下： 0.11 的错误率放在合同、财报这种错一个数字就出事的场景里，还是得留人工复核。 基准分是团队自己报的，拿自己的文档跑一遍才算数。 免费的是模型，显卡和电费还是你自己的。 https://x.com/BrooksWhaleX/status/2109080341642363349

曝光 526 · 评论 2 · 点赞 4 · 书签 4 · 曝光/时 117.28223044114857