Baidu تطلق Unlimited-OCR 2: تسارع التعرف الضوئي على الحروف حتى 7 أضعاف على مستندات من 100 صفحة

نشرت Baidu نموذج Unlimited-OCR 2 للتعرف على المستندات، ويضم نحو 3 مليارات معامل ويُفترض أن يتعامل مع نصوص بأي طول تقريباً. وبحسب قياسات الشركة نفسها، تُسرّع آلية الانتباه الجديدة خطوات فك الترميز المنفردة على مستندات من نحو 100 صفحة حتى 7 أضعاف مقارنة بالانتباه الكامل، وحتى 5,6 مرة مقارنة بآلية النسخة الأولى. صدرت الشيفرة والأوزان بموجب رخصة MIT، بما يشمل الاستخدام التجاري.

يستخرج النموذج النص من الصور الممسوحة ضوئياً وملفات PDF، ويعالج الجداول والمعادلات والمواد متعددة الصفحات. لكن جودة التعرف ليست محور الاهتمام هنا. فقد انصرف المطورون إلى مشكلة أخرى: ما الذي يحدث لأنظمة OCR المبنية على LLM حين يتحول المستند إلى مئات الصفحات.

لماذا يربك المستند الطويل أنظمة OCR المبنية على LLM

تعاني نماذج OCR المبنية على النماذج اللغوية من خاصية مزعجة. كلما قرأت صفحات أكثر وطال النص المولَّد، زادت الحوسبة والذاكرة اللازمتان للخطوة التالية. فالنموذج مضطر إلى الرجوع باستمرار إلى حجم متنامٍ من السياق السابق، وتتصاعد تكلفة كل رمز جديد.

وقد عالجت Unlimited-OCR الأولى هذه الثغرة جزئياً، إذ حدّت من حجم سجل التوليد المحفوظ. لكن بقي مصدر ثانٍ للنمو. فالبيانات المرئية لجميع الصفحات ظلت تتراكم وتفرض حملاً متزايداً، ولذلك كان المكسب على الملفات الطويلة جداً يبلغ سقفاً لا يتجاوزه.

كيف تُبقي SR-SWA تكلفة الخطوة شبه ثابتة

اقترحت Baidu في Unlimited-OCR 2 آلية Sparse Reference Sliding Window Attention، واختصارها SR-SWA. الفكرة بسيطة. عند التعرف على المقطع التالي، يركّز النموذج على الصفحة الحالية ولا يرجع إلا إلى مجموعة صغيرة من أكثر المقاطع فائدة في بقية المستند. وبدلاً من مراجعة لا نهائية للمعلومات المتراكمة، يعمل بذاكرة عمل محدودة، مثل 512 رمزاً مرجعياً.

ونتيجة لذلك تبقى التكلفة الحسابية لكل خطوة تالية ثابتة تقريباً، حتى عندما يتضاعف حجم المستند عدة مرات. والتشبيه مألوف لكل من نسخ كتاباً طويلاً: تنظر أولاً إلى الصفحة الحالية، ولا تعيد قراءة كل الصفحات السابقة بعد كل جملة.

إضافة إلى ذلك، يعالج النموذج الصفحات في كتل متداخلة. وما إن ينتهي مقطع من المستند حتى يمكن تحرير الذاكرة التي شغلها. هذه رافعة ثانية للتوفير، وهي تعمل مع الانتباه المتناثر.

أبرز مواصفات الإصدار

• المطوّر: Baidu.
• حجم النموذج: نحو 3 مليارات معامل.
• المهام: نص من الصور الممسوحة ضوئياً وملفات PDF، والجداول، والمعادلات، والمستندات متعددة الصفحات.
• الآلية الجديدة: Sparse Reference Sliding Window Attention (SR-SWA).
• ذاكرة العمل: مجموعة محدودة من الرموز المرجعية، مثل 512.
• التسارع على مستندات من نحو 100 صفحة: حتى 7 أضعاف مقارنة بالانتباه الكامل.
• التسارع مقارنة بالآلية السابقة: حتى 5,6 مرة.
• معالجة الصفحات: في كتل متداخلة مع تحرير الذاكرة.
• الرخصة: MIT، والاستخدام التجاري مسموح.
• المواد: المستودع github.com/baidu/Unlimited-OCR، والأوزان baidu/Unlimited-OCR-2 على Hugging Face، والورقة البحثية عن النسخة الأولى على arXiv (2606.23050).

تنبيه إضافي: أرقام التسارع تخص خطوات فك الترميز المنفردة، وقد حصلت عليها Baidu نفسها. لا توجد مقارنات مستقلة بعد، ولن يكشف الصورة الدقيقة على المدونات الفعلية سوى الاستخدام العملي.

لمن يفيد النموذج الآن

يمكن تشغيل نموذج بـ3 مليارات معامل ورخصة MIT محلياً ودمجه في منتج دون تعقيدات قانونية. وهو مرشح جيد لرقمنة الأرشيفات والعقود والمجموعات العلمية والتقارير المالية والأدلة التقنية، أي في الحالات التي تُعدّ فيها الملفات ذات المئات من الصفحات أمراً معتاداً، ولا يجوز فيها فقدان الجداول والمعادلات.

أما الفرق التي تبني خطوط RAG ووكلاء فوق مستندات الشركات، فتهمها إمكانية التنبؤ بالتكلفة. فإذا لم ترتفع تكلفة الخطوة مع طول الملف، صار تخطيط العتاد ومواعيد المعالجة الدفعية أسهل. والخطة المعقولة هي: تنزيل الأوزان من Hugging Face، وتشغيلها على أثقل المستندات لديكم، ومقارنة السرعة والدقة بحزمة OCR الحالية، خصوصاً في الجداول والمعادلات.