guopeiAI

百度开源了Unlimited OCR模型，创新性地采用Reference Sliding Window Attention（R-SWA）机制替换解码器中的全部注意力层，实现了KV缓存恒定不增长。该模型可单次推理处理几十页文档，支持单图、多页及PDF解析，显存占用和推理速度保持恒定。核心优势包括：解决传统OCR模型在长文本处理时KV缓存线性增长、速度下降的问题；具备类似人类的"工作记忆"能力；R-SWA机制也可应用于语音识别、翻译等长序列生成任务。提供Transformers、vLLM和SGLang三种推理方

摘要： Markdownify MCP 是一个基于 MCP 协议的开源服务器，支持将 11 种常见格式（包括 PDF、图片、音频、网页、Office 文档等）一键转换为 Markdown。核心功能依托微软的 markitdown 和 repomix 工具实现，通过 MCP 协议与 AI 模型（如 Claude、GPT）无缝集成，提供“万物转 Markdown”的能力。项目支持 Docker 部署和安全路径限制，适用于知识管理、自动化工作流及 AI 开发场景，但音频转录等功能在 Docker 精简版中受限。

HunyuanOCR = 腾讯混元出品端到端 OCR 专家 VLM= 仅 1B 参数，四大基准全线 SOTA= 1 个模型搞定 6 大任务= 文字检测 + 文档解析 + 信息抽取 + 视频字幕 + 拍照翻译 + 文档 QA= 20GB 显存部署，vLLM 一行启动= 支持 100+ 语言，单语/混语均出色= CVPR 2026 主会论文 × 2= ICDAR2025 翻译赛小模型赛道冠军= 端到端 vs 传统级联方案，一步到位维度评分说明性能⭐⭐⭐⭐⭐。

dots.mocr = 小红书开源多语言文档版面解析 VLM= 3B 参数，单模型搞定一切= 版面检测 + 文字识别 + 结构化输出= 图表→SVG 代码（dots.mocr-svg）= 网页截图解析= 场景文字识别= 11种版面元素分类= olmOCR-Bench 同级 SOTA= OmniDocBench Edit Distance 0.031 全场最低= vLLM 0.11.0 官方集成= 2篇 arXiv 论文dots.mocr 是小红书 HiLab 出品的。

AI2开源olmOCR工具包，基于7B视觉语言模型Qwen2.5-VL微调，可将PDF/PNG/JPEG文档高效转换为结构化Markdown文本。该系统在复杂排版处理（数学公式、表格、多栏布局）和自动清理（页眉页脚去除）方面表现优异，olmOCR-Bench基准测试达82.4分。支持12GB显存本地运行或云端API调用，百万页转换成本低于200美元，提供Docker容器和AWS S3多节点并行方案。最新v0.4.0版本引入强化学习训练，通过Unit Test Rewards机制显著提升转换质量，是科研文档数

本文介绍了一套自动化文档处理技术方案，通过三步流程实现文档去手写字迹和标准化处理。首先通过文档矫正（透视变换和旋转矫正）解决拍摄角度问题；然后进行图像增强（光照均衡化、去噪等）提升文档质量；最后通过分离手写与印刷内容实现手写字迹去除。该方案可有效应用于合同审批、试卷扫描等场景，显著提升OCR识别准确率（从72%提升至94%），解决了传统手动处理效率低、效果差的问题。

MonkeyOCR：本文提出“结构-识别-关系”（SRR）三元组范式，实现了高效且精准的文档解析。其3B参数模型在英文文档解析任务中超越了Gemini 2.5 Pro和Qwen2.5-VL-72B。在对多页文档解析场景下，处理速度达每秒0.84页，显著优于MinerU（0.65页/秒）和Qwen2.5-VL-7B（0.12页/秒）。

DocLayout-YOLO是一个基于YOLOv10的文档布局分析工具，可自动检测文档中的标题、正文、表格、公式等元素。通过pip安装后，用户可调用封装好的Python类进行预测，返回检测框坐标、类别和置信度。该工具支持GPU加速，在测试中展现了良好的检测效果，能准确识别文档中的各类结构元素。项目提供在线体验、论文和开源代码，方便研究人员和开发者使用。

2025年5月，字节开源了文档解析Dolphin，让文档解析效率提升83%。本文将深入解析字节跳动最新开源的Dolphin模型，先看理论在实战体验。现实世界中约80%的有价值信息都被"囚禁"在非结构化文档中——PDF学术论文、企业报告、技术文档、医疗记录。这些"沉睡的数据资产"如同被锁在保险柜中的黄金，等待着被解放的钥匙。

论文提出了一种新的数据处理方式，解决了以前文档矫正只能处理带有边界信息的完整文档，文章通过数据处理定义了三种类型的训练数据。（a）包含完整文档边界，（b）包含部分文档边界，（c）不包含文档边界。算法框架如下：对于任意弯曲的文档，作者首先通过CNN抽取特征，然后通过transformer结构进行编码和解码，最后用Flow Head预测偏移场，用偏移场矫正弯曲图片。

做车牌识别时，如果你缺乏数据，要想提高模型的鲁棒性，合成数据是一个常用的方法，本文带你合成车牌识别数据。

传统算法对长条字符串进行分割

如何用python求两个字符串的相似度呢？由于项目中要用到，所以本文将实现两个字符串相似度的求解过程。

3分钟教会你用conda配置PaddleOCR的训练测试环境。