Baiduのオープンソースのエンドツーエンド長文文書OCRモデル、Unlimited-OCR

Baiduは、数十ページにも及ぶ文書を一度に解析するために設計された新しいOCRモデル「Unlimited OCR」をオープンソース化しました。OmniDocBenchで93.23%という最先端のスコアを達成し、DeepSeek OCRを上回りました。このモデルの核となるイノベーションは、参照スライディングウィンドウアテンション（R-SWA）メカニズムです。これは、「ソフト忘却」戦略を使用してキーと値のキャッシュを一定に保ち、文書の長さに応じて推論速度が上昇しないようにします。6000トークンでは、TPS（1秒あたりのトランザクション数）が約35%向上しています。