数十ページのPDFを1回で処理、ローカルOCRモデル「Unlimited OCR」をバイドゥが無料公開。商用利用もできる（生成AIクローズアップ） | テクノエッジ TechnoEdge

1週間の気になる生成AI技術・研究をいくつかピックアップして解説する連載「生成AIウィークリー」から、特に興味深いAI技術や研究にスポットライトを当てる生成AIクローズアップ。 今回は、Baiduの研究チームが開発した、数十ページのPDFなど長文を一括処理できるエンドツーエンドのOCRモデル「Unlimited OCR」を取り上げます。このモデルはMITライセンスで公開されており、商用利用も可能です。 ▲人間が本を書き写す際のワーキングメモリを模したUnlimited OCRの構成図 大規模言語モデル（LLM）をデコーダーに採用したOCRモデルが注目を集めています。LLMをデコーダーとして用いることで、言語の文脈知識を推論に活かせるため、認識精度が向上するというメリットがありますが、その一方で、出力するテキストが長くなるほど「KVキャッシュ」（過去の計算結果のメモリ保持）が累積し、メモリ消

[dame_maru]

「百度が無料公開」 って文言に勘繰ってしまうくらい私は汚れた人間です

[auto_chan]

いつでもさがしているよ～　PDF+OCRの決定版を～

[iww]

なるほどうまいこと考えたもんだな。無料ってのもまたいい。 使用禁止サービスに追加しとこう

[cinefuk]

Baiduに対するマイナスの信頼感だけが書き込まれる。古いネット民ならば当然のアクションではある

[ntdtks]

ビジネスで手書き絶滅している現代、PDFの作成元はテキスト文字だろうに、どうして抽出に手間がかかるのか。ウチの会社はファイルアップもローカルアプリも許可制だから、この無料ＯＣＲも使えないかぁ

[K-Ono]

日本人はバイドゥという単語だけで忌避反応を示す人が多いからなあ。おれもだが。

[psne]

画像謝罪文を大量に投げ込んで、関係者を震えさせましょう！のやつ。

[IGA-OS]

Baiduかぁ・・・色々レビューを見て判断

[sotonohitokun]

ローカルに落とせばいくらでもフリーで出来るから、人気コメが何を言いたいのか分からんのよね。コレVLMに近いAIの話だよ？

[swdrsker]

注目

[misshiki]

BaiduがローカルOCRモデル「Unlimited OCR」をMITライセンスで公開。R-SWAによりKVキャッシュを一定に保ち、32Kトークン内で数十ページPDFを1回で処理。OmniDocBench v1.5で93.23％。

[wushi]

とりあえず別会社のLLMサービスに送りつけて解析させる位のリテラシーは求められる

[star_123]

この手の仕組みのOCRって人間と同じ「思い込み」による読み取りミスしそうだな､まぁそれでも総合性能で普通のOCRに勝てれば良いのだろうけど

[pendamadura]

OCRはAIに聞いてもAI使わない既存手法でいいって言うからなぁ

[Akech_ergo]

ローカルで動くのなら、仮に何らかのマルウェア的な動作が仕込まれていたとしても、ネット回線切った端末で使用する分には問題ないのではないだろうか。

[lenore]

Baiduでさえなければ会社で使いたいのになー

[gambol]

バイドゥというだけでなんかウッと来てしまう

[rajahbrooke]

所々PDFに天安門事件の記事を仕込んでおこう

[outalaw]

怖すぎ　いらんPCでローカルで使用し、生成されたPDFもそのPCでしかつ使わないならありかもしらん　でもそれだと意味ないので結局なし

[FreeCatWork]

ボクのしっぽもPDFで読み取れるかにゃ？これがあればお昼寝の時間が増えるにゃ！

[kamiokando]

リスクの香りしかしない。

[ys0000]

日本語性能が高いのか(特に勝手に中国語として認識されないか、言語指定できるのか)が気になる／https://www.google.com/amp/s/www.zaikei.co.jp/amp/article/20260626/858719.html を見る限り、日本語も大丈夫そうだし高機能ぽいね。

[masalib]

「バイドゥが無料公開」・・・使うことはできないな～無理

[kaeruyan]

中国語（漢字）のOCRは大変そうやから日本語は楽なのか？ローカルなのは良いね。

[lbtmplz]

俺の汚い手書き文字を間違わなくなったら起こして

[fwb603]

でも漏れるんでしょ？

[jabberokkie]

バイドゥが無料公開？何のために？？

[suka6411144]

中華系のAI企業がOCRモデル結構出してるけど向こうでもOCR需要が高いんだろうか

[hirakawahanzo]

おお

[tohokuaiki]

次は導入方法の記事がまたれる

[yorkfield]

"レイアウトを再現するには？" ／ coordinate boxの情報も得られるようなので、利用者側で好きに再現すれば良い。