Системы в бизнесе Продолжаю над этим работать, за две недели наклепала 12 документов в самых разных форматах - от серьёзного документа на десять страниц до чек-листов, презентаций и карточек исполнения. Темы разные: от чек-листа, как проводить встречи один на один со своими сотрудниками, до проверки Яндекс.Карт и стандартов сервиса. Сначала все процессы были изложены просто на бумаге, документы, а потом я осознала, что в современных реалиях внимание необходимо держать, даже если это всем нужно. Поэтому форматы совершенно разные. Какие выводы? Первое. Эпоха продуктов в инфобизе из серии «вот вам регламенты, инструкции и чек-листы, а я расскажу, как это делать» потихоньку уходит в лету. Потому что с таким помощником, как Клод, всё это делается достаточно быстро, даже если, как мне кажется, человек не такой эксперт, как я, но могу ошибаться. Второе. Для того чтобы описать/создавать системы в бизнесе, сегодня, по сути, вообще никто не нужен, нужен опыт и понимание. Третье. Помимо того чтобы эти бизнес-процессы описать, нужно ещё их внедрить, причем желательно без напряжения, а для этого тем, для кого ты это внедряешь должно быть просто-понятно-удобно, как бы базовая вещь, но почему-то не всегда так. А самое главное - всё это нужно было сделать намного раньше. Я годами это откладывала, все время пытаясь найти, кому бы это поручить. Сегодня все намного проще. Славься ИИ!!!

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

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

Извлечь текст из PDF мало. LightOnOCR-3 достаёт ещё и данные из графиков 📄 LightOn выпустила семейство открытых моделей для обработки документов. За один проход они: • распознают печатный и рукописный текст; • сохраняют структуру страницы и координаты блоков; • описывают изображения; • превращают данные с графиков в таблицы. Доступны три размера: 0,8B, 1B и 4B. Лицензия Apache 2.0 позволяет адаптировать модели и разворачивать их на своей инфраструктуре. По тестам разработчиков, версия 4B набирает 86,3 на olmOCR-Bench, опережая Chandra 2, Mistral OCR 4.1 и dots.mocr. На ParseBench версии 4B и 0,8B занимают первые два места среди моделей в опубликованном сравнении. Полезный инструмент для подготовки отчётов, сканов и технической документации к поиску, аналитике и RAG. https://huggingface.co/blog/lightonai/lightonocr-3

😱 Попала в миграционную тюрьму из-за фейков консультанта по ВНЖ Прочитал в канале основательницы PR-агентства 25/8 Юлии Масленниковой историю про то, как она провела пять дней во французской миграционной тюрьме аэропорта Шарль де Голль. И все из-за косяков консультанта, которая помогала ей получить ВНЖ. Как пишет Масленникова, при прилете в Париж при проверке документов полиция выяснила, что они поддельные.

«Оказалось, что моя консультант, которая помогала мне с внж, на протяжении длительного времени подделывала кучу моих документов — от положительного решения до пролонгасьонов — временных документов, по которым я могу въезжать и выезжать из Шенгена. В общем, когда у нее не получилось помочь с внж, она просто не смогла прекратить врать и делала поддельные документы в фотошопе один за другим», — рассказывает Масленникова.

Миграционную тюрьму она описывает так: «очень холодно, очень плохо кормят (на еду невозможно смотреть без тошноты, не то, чтобы есть), там нет горячей воды, чтобы хотя бы попить, и из душа шло тоже что-то еле теплое». Через пять дней был суд, и Масленниковой разрешили въехать в Париж. Оказалось, что при задержании полиция совершила ошибки, что и стало юридической основой для ее адвоката.

«Теперь начинается новый период и запрос на политическое убежище. Но главное — я дома, где есть горячий душ, горячий кофе, вкусная еда. И самое самое важное — мои потрясающие друзья», — пишет Масленникова.

Она обещает выпустить еще посты по этой теме со всеми деталями. А вы пока проверьте свои документы — ну, мало ли! P.S. Интересно, конечно, что ж это за консультант такой? @TheEdinorogBlog — тот самый канал про стартапы🦄

Что такое RAGFlow и с чем его едят Технический отчёт на 40 страниц, таблица с характеристиками модели на 25-й странице, а примечание про гарантию при 380V на 26-й. Спрашиваешь у LLM гарантийный срок, и классическая RAG-система режет документ на равные куски по 500–1000 токенов вслепую, не глядя на вёрстку. Слова «модель X» и «380V» в поиск попадают, а строчка с условием гарантии отрывается и уезжает в другой фрагмент. Модель получает обрывки и начинает додумывать, выдаёт цифру, которой в документе нет. RAGFlow заходит с другой стороны. Он сначала распознаёт древо заголовков и сетку таблиц, держит таблицу единым объектом и только потом нарезает смысловые блоки, а в ответе показывает конкретные ячейки, откуда взял данные. Посмотрим, как он собирает цельную картину там, где обычная нарезка отдаёт модели рваньё.

✔️ 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

OvisOCR2 вышел на ModelScope. Это компактная OCR-модель на 0.8B параметров для page-level document parsing: на вход подаётся изображение страницы, на выходе получается структурированный Markdown в нормальном порядке чтения. Формулы модель отдаёт в LaTeX, таблицы в HTML, визуальные области помечает image tags с bbox-координатами. По заявленным результатам OvisOCR2 набрала 96.58 overall на OmniDocBench v1.6 и стала первой end-to-end моделью, которая заняла первое место в лидерборде, где раньше доминировали pipeline-системы. На PureDocBench тоже сильный результат: 75.06 Avg3. Это важнее, чем просто победа на одном бенчмарке, потому что документный парсинг давно страдает от переобучения под популярные наборы. Модель сделана на базе Qwen3.5-0.8B и дообучалась через SFT, RL и OPD. Для деплоя есть поддержка vLLM, лицензия Apache 2.0. https://modelscope.ai/models/ATH-MaaS/OvisOCR2

У обычного японца не одна печать, а три. И перепутать их нельзя Турист привозит из Японии простое объяснение, будто там печать вместо подписи. На деле у одного взрослого человека таких печатей обычно три, и каждая под своё. Одна повседневная, за 100 йен из местного аналога Fix Price, ей отмечают посылку или бумагу в офисе. Вторая зарегистрирована в муниципалитете и подтверждает, что оттиск твой. Третья хранится в банке, который сверяет её при операциях со счётом. Смешивать их при этом нельзя. Красивую печать, сделанную на заказ, не стоит регистрировать разом и как личную, и как банковскую. За этим стоит логика, которую технический писатель, проживший в стране два года, формулирует в одну строку.