Baidu бахнула Unlimited-OCR 2: модель для распознавания документов практически любой длины Она умеет извлекать текст из сканов и PDF, обрабатывать таблицы, формулы и многостраничные материалы. Но главная новизна работы не столько в качестве OCR, сколько в способе обработки очень длинных документов. У современных OCR-моделей на базе LLM есть проблема: чем больше страниц они обрабатывают и чем длиннее становится генерируемый текст, тем больше вычислений и памяти требуется для продолжения работы. Модель вынуждена постоянно обращаться к растущему объёму предыдущего контекста. Первая Unlimited-OCR уже частично решала эту проблему, ограничивая объём сохраняемой истории генерации. Но визуальные данные всех страниц по-прежнему могли создавать растущую вычислительную нагрузку. В Unlimited-OCR 2 Baidu предложила механизм Sparse Reference Sliding Window Attention (SR-SWA). Его идея довольно проста: при распознавании очередного фрагмента модель сосредотачивается на текущей странице и обращается лишь к небольшому набору наиболее полезных фрагментов из остального документа. Вместо постоянного просмотра всей накопленной информации она использует ограниченную рабочую память - например, 512 опорных токенов. В результате вычислительная стоимость каждого следующего шага остаётся приблизительно постоянной, даже когда документ становится значительно длиннее. Все как у кожаных: переписывая длинную книгу, мы смотрим прежде всего на текущую страницу, а не перечитываем все предыдущие после каждого предложения. Что на итоге?  По собственным тестам Baidu, на документах объёмом около 100 страниц новый механизм обеспечивает ускорение отдельных шагов декодирования до 7 раз относительно полного внимания и до 5.6 раза относительно предыдущего механизма. Дополнительно модель использует обработку страниц перекрывающимися блоками, что позволяет освобождать память после завершения очередного участка документа. Модель содержит около 3 млрд параметров. Код и веса опубликованы под лицензией MIT, в том числе для коммерческого использования. Ссылки: • GitHub: https://github.com/baidu/Unlimited-OCR • Веса: https://huggingface.co/baidu/Unlimited-OCR-2 • Статья Unlimited-OCR: https://arxiv.org/abs/2606.23050 @cgevent

WeVisOne-VL-2B Одна модель Tencent на замену пачке узких: детекция, поиск по описанию, счет объектов, указание точки, #OCR, сегментация и маттинг по подсказке Все задачи сводятся к структурному предсказанию токенов, поэтому один проход закрывает рамки, маски и альфу в полном разрешении. Работает с одиночными картинками, сетку видео не принимает. Слабое место - сложная прозрачность и сильные перекрытия • Находит объекты без заранее заданного списка классов • Локализует по описанию словами и ставит точку на объекте • Считает объекты и читает текст с координатами • Режет объект по текстовому запросу • Делает альфу с мягкими краями, например для вырезания человека База Qwen3-VL, 2B github.com/Tencent/WeVisOne-VL huggingface.co/tencent/WeVisOne-VL-2B huggingface.co/spaces/hugging-apps/wevisone-vl-4b #detection #cv #segmentation MAX

Occular-OCR — новый OCR-движок для русского языка от независимого разработчика (и нашего подписчика) @Bodhi_b Альтернатива Tesseract и RapidOCR с упором на распознавание сложных русскоязычных документов. Вместо тяжёлых VLM используется компактный пайплайн из специализированных нейросетей. • PDF, сканы, фотографии документов: паспорта, справки, договоры, чеки, банковские выписки • 14 языков, включая русский, английский и 12 языков с кириллицей • Автоматическое исправление наклона и поворота страниц, опциональное устранение геометрических искажений • Распознавание таблиц и восстановление порядка чтения в многоколоночных документах • Структурированный JSON с координатами строк и оценкой уверенности распознавания • Архитектура: DBNet + SVTR/CTC + Beam Search с русской 4-граммной языковой моделью • ONNX Runtime, полностью локальный инференс на CPU или GPU (CUDA) • Windows, Linux, macOS — установка через pip без компиляции и системных зависимостей CUDA • Код Apache 2.0, веса бесплатно для частного использования, исследований и небольших организ https://github.com/Bodhi42/Occular-ocr https://pypi.org/project/occular-ocr/ #ocr

Xiaomi-OCR-0 Компактная OCR-модель от лаборатории SeerRay (Xiaomi): 0.8B параметров на парсинг документов и понимание текста. Обходит модели крупнее на разборе документов и OCR-VQA-задачах. • Парсинг документов: текст, таблицы, формулы • Стабильна на сканах, пересъемках, перекосах и фото • OCR-понимание: вопросы по тексту, извлечение структурированных полей, не только транскрибация • Распознавание исторического почерка и каллиграфии • #1 на Real5-OmniDocBench (95.24), #2 на OmniDocBench v1.6 (96.83) • Среднее 83.2 по 5 OCR-VQA-бенчмаркам — лучше Qwen3.5-2B huggingface.co/SeerRay-Lab/Xiaomi-OCR-0 github.com/SeerRay-Lab/Xiaomi-OCR-0 #ocr MAX

✔️ Mistral обновила OCR-модель до версии 4.1 Главный упор сделали на обработку перегруженных страницы, где текст, изображения и подписи идут плотно и наслаиваются друг на друга. По данным Mistral, модель точнее определяет границы каждого элемента - рамки не съезжают, изображения не наезжают одно в другое по ошибке. На нагруженных технических диаграммах модель реже теряет блоки, а текстовые выноски считывает как самостоятельные объекты, а не сливает в один массив. Отдельно заявлена работа с многоколоночными документами, OCR 4.1 сохраняет исходную структуру страницы и отдает каждую колонку отдельной областью текста. В настроенных процессах тем, кто пользуется моделью, менять ничего не нужно. Алиас mistral-ocr-latest уже переводит существующие интеграции на новую версию. Руками модель можно попробовать в Mistral Studio. @ai_machinelearning_big_data #news #ai #ml