李韩飞
架构设计
传统OCR模型处理多页文档时，每生成一个token都会扩大KV cache，导致显存占用和延迟飙升，用户体验上就是“AI越读越卡”。Unlimited OCR基于DeepSeek OCR架构，总参数量30亿，推理时仅激活5亿参数。其核心创新在于两级视觉编码+16倍token压缩——将1024×1024的PDF图像压缩为256个视觉token，从源头减轻负担。训练上冻结编码器、仅训练解码器，200万份样本（单页与多页9:1）在8×16 A800 GPU上跑4000步。在OmniDocBench v1.5上得分93.23，超越DeepSeek OCR的87.01。案例：某政务系统处理百页合同扫描件，传统模型20分钟后响应迟缓，Unlimited OCR全程保持稳定速度，编辑距离仅0.038，公式识别准确率92.61%。
发布于 江苏
2
评论
1
未登录
友善发言
评论
加载中
