คำตอบเผยแพร่แล้ว16 แหล่งที่มา
Baidu Unlimited OCR 2 ใช้ SR-SWA อ่านเอกสารยาวได้อย่างไร
Baidu เปิดตัว Unlimited OCR 2 เมื่อ 27 ตุลาคม 2026 โดยใช้ SR SWA จำกัดชุดข้อมูลอ้างอิงที่โมเดลนำมาคำนวณระหว่างอ่านเอกสารยาว บริษัทระบุว่าในการทดสอบเอกสาร 100 หน้า การถอดรหัสแต่ละขั้นเร็วกว่า Full Attention 7.0 เท่า และเร็วกว่า R SWA รุ่นก่อน 5.6 เท่า Baidu รายงานคะแนน 84.6 บน MPDocBench และ 77.1 บน MarathonDocBench...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Baidu เปิดตัว Unlimited OCR 2 เมื่อ 27 ตุลาคม 2026 โดยใช้ SR SWA จำกัดชุดข้อมูลอ้างอิงที่โมเดลนำมาคำนวณระหว่างอ่านเอกสารยาว
- บริษัทระบุว่าในการทดสอบเอกสาร 100 หน้า การถอดรหัสแต่ละขั้นเร็วกว่า Full Attention 7.0 เท่า และเร็วกว่า R SWA รุ่นก่อน 5.6 เท่า
- Baidu รายงานคะแนน 84.6 บน MPDocBench และ 77.1 บน MarathonDocBench แต่ตัวเลขเหล่านี้ยังเป็นผลที่บริษัทรายงาน ไม่ใช่การประเมินอิสระ
- โค้ดและน้ำหนักโมเดลเผยแพร่ผ่าน GitHub และ Hugging Face
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Baidu’s Unlimited OCR 2, open-sourced as reported on October 28, 2026, and how does it advance the original Unlimited-OCR released i. Article summary: Baidu’s Unlimited OCR 2 is an open-source, end-to-end document-parsing model designed to process extremely long documents in a single request using bounded working attention, rather than a context that grows with every p. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Baidu เปิดตัว Unlimited OCR 2 เมื่อ 27 ตุลาคม 2026 โมเดลโอเพนซอร์สสำหรับอ่านและทำความเข้าใจเอกสารยาว โดยออกแบบให้ส่งภาพหลายหน้าเข้าไปประมวลผลในคำขอเดียว ไม่ต้องแยกสั่งทีละหน้า 3
6
หัวใจของรุ่นนี้คือ Sparse Reference Sliding Window Attention (SR-SWA) ซึ่งปรับวิธีที่โมเดลเลือกข้อมูลภาพและข้อความมาคำนวณ แทนที่จะเพิ่มขอบเขตการมองข้อมูลไปเรื่อย ๆ ตามจำนวนหน้า โมเดลจะทำงานกับชุดข้อมูลอ้างอิงขนาดจำกัด เช่น 512 โทเคน ตามคำอธิบายของโครงการ 6
7
SR-SWA ช่วยจัดการเอกสารยาวอย่างไร
แนวคิดคือไม่จำเป็นต้องนำข้อมูลภาพทุกหน้ามาเทียบกับทุกส่วนของข้อความในทุกขั้นตอน เอกสารอธิบายกลไก Page Gate ว่าช่วยจำกัดขอบเขตหน้าที่เกี่ยวข้องกับข้อความที่กำลังถอด ส่วน Token Sieve จะเลือกกลุ่มโทเคนภาพที่ได้คะแนนสูงจากส่วนอื่น ๆ ของเอกสาร เพื่อช่วยเก็บความเชื่อมโยงระยะไกล
ผลที่ Baidu ตั้งเป้าคือให้จำนวนข้อมูลอ้างอิงที่ใช้งานในแต่ละขั้นไม่พองตามความยาวเอกสาร และทำให้เวลาและหน่วยความจำสำหรับการถอดรหัสแต่ละขั้นเกือบคงที่เมื่อเอกสารยาวขึ้น 6
7 อย่างไรก็ดี คำว่า “ไม่จำกัดความยาว” ควรเข้าใจว่าเป็นแนวทางออกแบบให้เดินหน้าประมวลผลต่อได้ภายในหน้าต่างบริบทที่มีขอบเขต ไม่ได้แปลว่าใช้เวลารวมเท่าเดิมไม่ว่าจะเพิ่มกี่หน้า หรือรับประกันความถูกต้องกับเอกสารทุกชนิด
ในตัวอย่างการใช้งานบน Hugging Face ฟังก์ชัน infer_multi รับภาพหน้าเอกสารตามลำดับและประมวลผลทั้งหมดในคำขอเดียว โดยโมเดลสามารถใช้บริบทข้ามหน้าได้ 5
คะแนนและความเร็วที่ Baidu รายงาน
สรุปข่าวการเปิดตัวระบุคะแนน 84.6 บน MPDocBench และ 77.1 บน MarathonDocBench ซึ่งเป็นชุดทดสอบใหม่ที่ Baidu เปิดตัวสำหรับการแยกวิเคราะห์เอกสารยาวมาก บริษัทระบุว่าผลลัพธ์อยู่ในระดับแนวหน้าของการทดสอบ แต่ข้อมูลที่อ้างถึงในที่นี้ยังไม่เพียงพอสำหรับเปรียบเทียบกับคู่แข่งรายอื่นอย่างอิสระ 1
2
สำหรับการทดสอบเอกสาร 100 หน้า Baidu รายงานว่าการถอดรหัส แต่ละขั้น เร็วกว่า Full Attention 7.0 เท่า และเร็วกว่า Reference Sliding Window Attention (R-SWA) ซึ่งใช้ในรุ่นก่อน 5.6 เท่า ตัวเลขนี้เป็นความเร็วต่อขั้น ไม่ใช่หลักฐานว่าเวลาอ่านเอกสารทั้งชุดลดลงในอัตราเดียวกัน 1
มีการเผยแพร่ตัวอย่างที่อ้างว่าโมเดลประมวลผลหนังสือ Harry Potter ทั้งเจ็ดเล่ม รวมมากกว่า 3,600 หน้า ในการรันครั้งเดียว ตัวอย่างนี้แสดงให้เห็นรูปแบบการใช้งานกับเอกสารยาว แต่ข้อมูลที่มีไม่ได้ยืนยันผลความแม่นยำจากการตรวจสอบอิสระ หรือเวลาประมวลผลทั้งหมดอย่างครบถ้วน 2
ดาวน์โหลดได้ที่ไหน
โค้ดของโครงการอยู่ใน GitHub repository ของ Unlimited OCR ส่วนน้ำหนักโมเดลเผยแพร่ใน Hugging Face repository ของ Unlimited OCR 2 3
6
อ่านตัวเลขอย่างไรให้รอบคอบ
จุดเด่นที่โครงการระบุชัดคือการจำกัดชุดอ้างอิงที่ใช้คำนวณ และการส่งภาพหลายหน้าให้โมเดลประมวลผลในคำขอเดียว 5
6 แต่การที่การถอดรหัสแต่ละขั้นใช้ทรัพยากรใกล้เคียงเดิม ไม่ได้ยืนยันว่าหน่วยความจำรวมของระบบหรือเวลาประมวลผลทั้งหมดจะคงที่เมื่อเพิ่มจำนวนหน้า
ทั้งคะแนนทดสอบ คำกล่าวว่าอยู่ในระดับแนวหน้า และตัวเลขความเร็วเป็นผลที่ Baidu รายงานในแหล่งข้อมูลที่อ้างถึง ยังไม่ใช่ผลการประเมินซ้ำโดยหน่วยงานอิสระ จึงควรมองเป็นสัญญาณเบื้องต้นของประสิทธิภาพที่บริษัทตั้งเป้าไว้ มากกว่าข้อสรุปสุดท้าย 1
2
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "Baidu Unlimited OCR 2 ใช้ SR-SWA อ่านเอกสารยาวได้อย่างไร" คืออะไร
Baidu เปิดตัว Unlimited OCR 2 เมื่อ 27 ตุลาคม 2026 โดยใช้ SR SWA จำกัดชุดข้อมูลอ้างอิงที่โมเดลนำมาคำนวณระหว่างอ่านเอกสารยาว
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Baidu เปิดตัว Unlimited OCR 2 เมื่อ 27 ตุลาคม 2026 โดยใช้ SR SWA จำกัดชุดข้อมูลอ้างอิงที่โมเดลนำมาคำนวณระหว่างอ่านเอกสารยาว บริษัทระบุว่าในการทดสอบเอกสาร 100 หน้า การถอดรหัสแต่ละขั้นเร็วกว่า Full Attention 7.0 เท่า และเร็วกว่า R SWA รุ่นก่อน 5.6 เท่า
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
Baidu รายงานคะแนน 84.6 บน MPDocBench และ 77.1 บน MarathonDocBench แต่ตัวเลขเหล่านี้ยังเป็นผลที่บริษัทรายงาน ไม่ใช่การประเมินอิสระ
แหล่งที่มา
huggingface.coREADME.md · baidu/Unlimited-OCR-2 at main
github.comGitHub - baidu/Unlimited-OCR: Unlimited OCR Works: Welcome the Era of One-shot Long-horizon Parsing.
ai-all.infoDeep Evaluation of Unlimited OCR 2: Baidu WENXIN's Open-Source End-to-End Long Document Parsing Model - AI Tools Directory