Baidu выложила Unlimited OCR: трюк, который не даёт ИИ «захламлять память» при чтении 100-страничных PDF
Новая OCR-модель Baidu парсит длинные документы за один проход, не раздувая KV-кэш. В треде её механику разобрали по-человечески — и тут же спросили про вечную болячку OCR на ИИ: выдуманные артефакты.
Baidu открыла Unlimited OCR — модель для one-shot парсинга длинных документов. 456 очков, 104 комментария. Архитектурный трюк: не «запоминать каждое слово» при чтении 100 страниц, а держать короткую память под контролем.
Тред оценил и инженерию, и манеры: в благодарностях Baidu отдельно упомянула Deepseek-OCR и PaddleOCR — «классный жест». Но всплыл и старый страх: модели на OCR любят выдумывать артефакты и переводить иностранные слова на английский, ломая результат.
Контекст
Unlimited OCR от Baidu набрал 456 очков при 104 комментариях — полированный релиз, где ценность в самой работе, а тред помогает её расшифровать.
Что произошло
Модель парсит длинные документы за один проход. Обычно при транскрипции 100-страничного PDF модель пытается удержать каждое уже прочитанное слово, и краткосрочная память (KV-кэш) раздувается. Unlimited OCR — архитектурный приём, который этого не делает.
Что говорит тред
Лучшее объяснение «на пальцах» дал один из комментаторов:
«Насколько я понимаю, исследователи нашли остроумный архитектурный хак, чтобы ИИ не "хоардил" память при чтении длинных документов. Обычно, транскрибируя 100-страничный PDF, модель пытается помнить каждое уже проглоченное слово — и этот KV-кэш разрастается» — robotswantdata
Отметили и культуру:
«"Благодарим Deepseek-OCR, Deepseek-OCR-2 и PaddleOCR за их ценные модели и идеи". Классный жест» — KitN
Но практик вернул всех на землю с главным вопросом к OCR на базе VLM:
«Мои попытки делать OCR через ИИ всегда заканчивались выдуманными артефактами — для прода не годится. Простой пример: слова на других языках автоматически переводятся на английский, что убивает весь смысл. Здесь так же?» — pmarreck
В тот же день вышел и Mistral OCR 4, и в его треде themanmaran припомнил, что прежние версии Mistral хвастались «98% точности на бенчмарке из 4 PDF» и проседали на реальных данных — так что сравнения ждут независимой проверки.
Что это значит
Unlimited OCR решает реальную инженерную боль — стоимость памяти на длинных документах — и делает это с редкой для индустрии вежливостью к предшественникам. Но тред напомнил правило, которое не меняется от релиза к релизу: пока модель уверенно галлюцинирует артефакты и «переводит» то, что переводить не просили, в продакшене смотрят не на бенчмарк, а на то, сколько раз она соврала с высокой уверенностью.
Получайте такие разборы каждый день
Главные истории Hacker News — на email, в Telegram или RSS.
Oracle сократила 20 тысяч человек за год «из-за ИИ». В треде объясняют, что это удобная легенда
Годовой отчёт Oracle показал минус 21 000 ролей — и компания связывает это с разворотом в сторону ИИ. Комментаторы с опытом в индустрии не верят: «Никакого ИИ тут нет. Это просто прикрытие, которое не даёт акциям обвалиться».