Hacker News 中文摘要

RSS订阅

无限OCR：一次性长周期解析 -- Unlimited OCR: One-Shot Long-Horizon Parsing

原文链接 | HN讨论 | 2026-06-23 22:24:55

文章摘要

该文章介绍了Unlimited-OCR项目，旨在推动Deepseek-OCR进一步发展。文章提供了论文arXiv链接、ModelScope模型支持，以及基于Huggingface Transformers的推理代码示例，支持单张图片和PDF文档的OCR解析。

文章总结

无限OCR：开启一次性长文本解析时代

发布动态 - [2026/06/23] 📄 论文已在arXiv上线。 - [2026/06/23] 🤝 感谢ModelScope社区支持，模型现已在ModelScope平台可用。 - [2026/06/22] 🚀 我们推出Unlimited-OCR，旨在将Deepseek-OCR推进至新阶段。

推理实现

Transformers方式 在NVIDIA GPU上使用Huggingface Transformers进行推理。环境要求：Python 3.12.3 + CUDA 12.9，依赖包包括torch 2.10.0、transformers 4.57.1等。

单张图片支持两种配置模式： - gundam模式：basesize=1024, imagesize=640, cropmode=True - base模式：basesize=1024, imagesize=1024, cropmode=False

多页/PDF处理仅支持base模式（image_size=1024）。PDF处理时，需先将页面转换为图片，再进行多页解析。

SGLang方式 通过uv管理虚拟环境（Python 3.12），安装本地SGLang wheel包，并固定kernels版本为0.9.0，同时安装PyMuPDF用于PDF转图片。

启动SGLang服务器后，可通过OpenAI兼容API发送流式请求。单张图片支持gundam或base两种模式，多图及PDF仅支持base模式。

批量推理 使用infer.py脚本可自动启动SGLang服务器，并发处理图片目录或PDF文件。支持设置并发数、图片模式等参数。

可视化 （提供可视化功能）

致谢 感谢Deepseek-OCR、Deepseek-OCR-2和PaddleOCR提供的宝贵模型与思路。

评论总结

根据评论内容，总结如下：

主要观点与论据：

  1. 技术价值与创新性（认可度较高）：

    • 评论2详细解释了该技术的核心创新：通过“参考滑动窗口注意力（R-SWA）”机制，将AI的注意力分为“全局参考”（保持对原始文档图像的完整视野）和“局部生成”（限制对已生成文本的记忆窗口，如最后128词），从而解决长文档OCR中的内存瓶颈问题。关键引用：“Unlimited OCR uses Reference Sliding Window Attention (R-SWA) to split the AI's focus into two paths: Global Reference... Local Generation...”
    • 评论3赞赏论文致谢Deepseek-OCR等模型，称“Class Act”。

  2. 质疑与批评（认可度中等）：

    • 评论1认为OCR已被视觉模型解决，质疑“重新发明轮子”的必要性：“OCR has been solved long time ago with vision models... What is the point of reinventing the wheel?”
    • 评论6指出AI OCR常产生“虚构伪影”，如自动翻译非英语单词，影响生产可行性：“my attempts at using AI to do OCR have always resulted in invented artifacts... does this suffer from that as well?”

  3. 应用与扩展（认可度中等）：

    • 评论2期待本地AI应用：“Will be very interesting for local AI and can’t wait to see what the community builds and extends with it!”
    • 评论7询问本地运行要求：“What are the requirements for running this locally?”
    • 评论9以乐谱识别为例，指出OCR虽好但光学音乐识别（OMR）仍很糟糕：“every time I see people making incremental gains on OCR... I am reminded of how abysmal OMR is.”

  4. 其他观点（认可度较低）：

    • 评论8讽刺“我们发明了分块？”（“We've invented chunking? We are so back.”）
    • 评论10质疑论文的长期影响力：“Is this an academic paper that is published in year xyz, but in +5 years nobody will remember it anymore?”

平衡性总结：评论整体对技术创新持积极态度（尤其关注内存优化和本地部署潜力），但存在对OCR必要性、伪影问题及长期价值的质疑。