ไป่ตู้เปิดซอร์ส Unlimited-OCR 2: ถอดรหัสเอกสารร้อยหน้าในขั้นตอนเดียวเร็วขึ้น 5.6 เท่า ไม่จำเป็นต้องอ่านทั้งเล่มทุกขั้นตอน

动察 Beating ข่าวด่วน AI ไป่ตู้เปิดตัวและโอเพนซอร์ส Unlimited-OCR 2 โมเดลมีพารามิเตอร์ประมาณ 3 พันล้านตัว และเปิดใช้งานพารามิเตอร์เพียงประมาณ 500 ล้านตัวในระหว่างการอนุมาน

เวอร์ชันแรกที่เปิดตัวในเดือนมิถุนายนสามารถแยกวิเคราะห์เอกสารต่อเนื่องได้ประมาณ 40 หน้า แต่เมื่อจำนวนหน้าเพิ่มขึ้น การสร้างแต่ละโทเค็นยังต้องให้ความสนใจกับข้อมูลภาพของทุกหน้า ส่งผลให้การถอดรหัสช้าลงเรื่อยๆ

เวอร์ชันที่สองแนะนำกลไก SR-SWA Sparse Attention โมเดลไม่ต้องดูข้อมูลภาพของทุกหน้าทุกครั้งอีกต่อไป แต่จะเน้นไปที่หน้าปัจจุบัน แล้วเลือกข้อมูลภาพที่เกี่ยวข้องจำนวนเล็กน้อย รวมกับข้อความที่เพิ่งสร้างเพื่อระบุต่อไป ในการทดสอบหนึ่งร้อยหน้า การถอดรหัสแต่ละขั้นเร็วกว่าวิธี R-SWA Attention แบบเก่าประมาณ 5.6 เท่า และเร็วกว่า Full Attention แบบดั้งเดิมประมาณ 7 เท่า

การประหยัดหน่วยความจำก็ชัดเจนเช่นกัน ในการทดสอบเอกสารหนึ่งร้อยหน้า ด้วยการถอดรหัสแบบแบ่งบล็อกและการใช้แคชข้ามหน้าร่วมกัน หน่วยความจำ KV Cache สูงสุดสำหรับการอนุมานแบบช่องทางเดียวลดลงจาก 47GB เหลือ 1.77GB ในการทดสอบอีกชุดที่มี 16 ช่องทางพร้อมกัน ปริมาณการสร้างเพิ่มขึ้นจาก 360 โทเค็นต่อวินาทีเป็น 1315 โทเค็น

ไป่ตู้ยังได้สร้าง MarathonDocBench ซึ่งประกอบด้วยเอกสาร 100 ฉบับที่มีความยาว 103 ถึง 300 หน้า เพื่อทดสอบความสามารถในการแยกวิเคราะห์เอกสารยาวของโมเดล Unlimited-OCR 2 ได้คะแนน 77.06 คะแนน Gemini 3.8 Flash ได้ 28.61 คะแนน และ Qwen3.8 Max ได้ 22.93 คะแนน ผลลัพธ์ข้างต้นมาจากการทดสอบบน基準ที่ไป่ตู้สร้างขึ้นเอง

เมื่อประมวลผลเอกสารยาวมากจริง ระบบยังสามารถประมวลผลแบบแบ่งหน้าต่าง และใช้แคชบางส่วนของหน้าต่างก่อนหน้าร่วมกัน เพื่อลดการใช้หน่วยความจำเพิ่มเติม อย่างไรก็ตาม หากหน้าต่างเล็กเกินไปอาจส่งผลต่อการเชื่อมโยงเนื้อหาข้ามหน้า บทความยังยอมรับว่ากลไกใหม่ไม่สามารถรักษาข้อมูลภาพรวมทั้งหมดของเอกสารได้อย่างสมบูรณ์ โครงสร้างโดยรวม เช่น หัวข้อหลายระดับ ยังอาจถูกระบุผิดพลาดได้