DeepSeek OCR
PulseAugur coverage of DeepSeek OCR — every cluster mentioning DeepSeek OCR across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
DeepSeek OCR's R-SWA attention mechanism to be applied beyond OCR
The Unlimited OCR model's core innovation, Reference Sliding Window Attention (R-SWA), is explicitly noted as being applicable to other sequence-based tasks such as Automatic Speech Recognition (ASR) and translation. This indicates a potential for broader impact and adoption of this attention mechanism across various NLP domains.
Unlimited OCR addresses key limitations in long-document processing
The development of Unlimited OCR, utilizing Reference Sliding Window Attention (R-SWA) to maintain a constant KV cache, directly tackles the memory and speed bottlenecks that plague current OCR systems when processing extensive documents. This innovation is a significant step towards efficient, single-pass transcription of multi-page documents.
DeepSeek OCR's Unlimited OCR to see integration with vLLM and SGLang
Baidu's release of Unlimited OCR, which builds on DeepSeek OCR, highlights its integration with inference providers like vLLM and SGLang. This suggests a strategic push to make the technology more accessible and performant for real-world applications, especially those dealing with long documents.
-
AI模型难以处理梵文OCR，新基准测试揭示
一项新的基准研究评估了十种OCR系统的性能，包括专门的OCR-VLMs和前沿的多模态LLMs，在梵文上的表现。研究发现，虽然许多系统在干净的合成文本上表现良好，但在退化条件和真实世界扫描上的性能会显著下降。专门的OCR-VLMs尤其脆弱，DeepSeek-OCR出现了灾难性的重复失败。值得注意的是，在英语OCR上的强劲表现与在印度语言脚本上的表现并不相关，GPT-5.5等模型出现了大幅下降。
-
百度发布Unlimited OCR，挑战长文本AI记忆机制 · 追踪1个来源
百度已开源一款名为Unlimited OCR的新OCR模型，该模型通过模仿人类阅读习惯，在处理长文档方面表现出色。与传统的逐页处理文档然后拼接结果的OCR系统不同，Unlimited OCR采用了新颖的参考滑动窗口注意力（R-SWA）机制。这使其能够在不增加通常随文档长度而增加的内存和计算开销的情况下，保持连续阅读状态，并在OmniDocBench基准测试中达到了新的最先进水平。
-
Papers with Code 整合开源 OCR 模型和基准测试
创建了一个新资源来跟踪开源光学字符识别 (OCR) 模型，整合了关于顶级模型、基准测试以及其论文和代码链接的信息。该计划重点介绍了百度最近发布的具有参考滑动窗口注意力机制的 3B 参数 Unlimited OCR 模型，以及可通过 API 获得的 Mistral 的 OCR 4。该平台旨在简化各种应用（如代理 RAG 和 AI 代理的数据摄取）的 OCR 模型选择。
-
Unsloth Studio 提升 GLM-5.2 支持，上下文长度增加 3 倍
Unsloth 发布了 0.1.471-beta 版本，引入了对 GLM-5.2 的支持，并增强了上下文长度能力。此次更新包含一个自动适应算法，可实现三倍更长的上下文窗口，从而支持更广泛的对话。此外，Unsloth Studio 现在还包括可分叉和可排队的聊天功能、一个重新设计的模型中心以便于发现，以及针对各种模块的改进并行处理，同时通过 Cloudflare 加密工作室增强了安全性。
-
Unlimited OCR 模型采用新的注意力机制高效处理长文档
研究人员开发了 Unlimited OCR，这是一种新模型，解决了当前 OCR 系统在处理长文档时存在的内存和速度限制。通过用参考滑动窗口注意力 (R-SWA) 替换标准注意力层，该模型保持恒定的 KV 缓存，使其能够在一个前向传播中转录数十页。这种方法建立在 DeepSeek OCR 基线的基础上，也适用于 ASR 和翻译等其他序列任务。
-
百度发布Unlimited OCR，具有恒定的KV缓存用于长文档
百度发布了Unlimited OCR，这是一个30亿参数的混合专家模型，专为高效的长文档解析而设计。该模型利用参考滑动窗口注意力（R-SWA）来保持恒定的KV缓存，克服了传统OCR模型在处理长输出时面临的内存和速度限制。这项创新使得Unlimited OCR能够在一个前向传播中处理数十页文档，并在OmniDocBench v1.5等基准测试中取得了最先进的性能。
-
Unsloth Studio 支持 GLM 5.2，上下文长度延长 3 倍
Unsloth Studio 发布了 0.1.47-beta 版本，引入了对 GLM 5.2 GGUFs 的支持以及改进的自动适应算法，可实现三倍长的上下文长度。此次更新还带来了增强功能，例如可分叉和可排队的聊天、重新设计的模型发现中心以及并行模块处理。安全增强功能包括支持 Cloudflare 的加密工作室模式以及为高级用户提供的绕过权限模式。
-
聚光灯系统利用Spot GPU降低DiT强化学习的训练后成本
研究人员开发了聚光灯（Spotlight），一个旨在显著降低强化学习扩散Transformer（DiTs）训练后成本的新颖系统。通过利用对探索容忍度的洞察以及序列并行（SP）组的高效重新配置，聚光灯有效地利用了廉价的Spot GPU。该系统引入了基于老虎机（bandit-based）的探索规划、弹性序列并行和预占感知调度等技术，以维持训练的连续性和状态。
-
研究发现PDF转换质量对RAG问答至关重要
一项发表在arXiv上的新研究评估了四个开源PDF到Markdown转换框架在检索增强生成（RAG）系统中对领域特定问答准确性的影响。研究发现，Docling结合分层拆分和图像描述，实现了最高的准确率（94.1%），甚至优于手动整理的Markdown。研究强调，数据准备质量，特别是依赖表格的问题处理和元数据丰富，比单独选择转换框架对RAG性能更为关键。
-
新的多智能体系统自动化文档处理，降低成本和排放
研究人员开发了MADP，一个旨在企业环境中自动化文档处理的多智能体系统。该系统结合了用于分类和解析的深度学习以及用于提取的大型语言模型，并包含一个用于验证的人类在环机制。对每年10万份发票的初步分析表明，全职当量需求可能减少70%，在真实世界文档上实现了97%的自动化率。与手动处理相比，该系统还显示出显著的可持续性效益，将二氧化碳排放量、能源消耗和用水量减少了60%以上。
-
RTPrune 通过新颖的令牌剪枝技术将 DeepSeek-OCR 推理速度提升 1.23 倍
研究人员开发了 RTPrune，一种新颖的两阶段令牌剪枝方法，旨在提高 DeepSeek-OCR 推理的效率。该方法模仿了模型两次阅读的过程，首先优先处理高范数令牌以获取显著信息，然后使用最优传输理论合并剩余令牌。RTPrune 还包含针对 OCR 任务定制的动态剪枝比例，实现了准确性和效率之间的卓越平衡。
-
在竞技场：LMSys 如何永远改变了 LLM 基准测试
Hugging Face 开发的 AraGen 基准测试旨在通过解决静态基准测试的局限性来改进 LLM 评估。它引入了一种类似于 LMSys 的 Chatbot Arena 的众包方法，允许进行更动态和用户导向的评估。这种方法旨在捕捉传统指标之外的真实用户偏好和模型性能。此外，一个名为 DharmaOCR 的新的开源 OCR 模型已经发布，与大型商业和开源模型相比表现强劲。