مدل سبک Indra OCR معرفی شد؛ پردازش ۴۹ صفحه سند در ثانیه فقط با پردازنده مرکزی
استارتاپ Datalab بسته نرم‌افزاری کم‌حجم Indra OCR را برای تبدیل اسناد متنی و تصویری معرفی کرد که با یک مدل یک میلیون پارامتری، روی پردازنده‌های مرکزی اجرا می‌شود. این ابزار قادر است در هر ثانیه ۴۹ صفحه سند را پردازش کند و گزینه‌ای فوق‌العاده سریع برای سیستم‌های هوش مصنوعی به شمار می‌رود.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- مدل سبک Indra OCR با یک میلیون پارامتر، بدون نیاز به کارت گرافیک و منحصراً روی پردازنده مرکزی (CPU) اجرا می‌شود.
- این ابزار متن‌باز در آزمایش‌ها به‌سرعت چشمگیر ۴۹ صفحه در ثانیه رسیده است و فایل‌ها را به مارک‌داون یا JSON تبدیل می‌کند.
- کدهای پروژه تحت مجوز آپاچی ۲.۰ و وزن‌های مدل با مجوز OpenRAIL-M به‌صورت رایگان برای پژوهش و استارتاپ‌های کوچک عرضه شده‌اند.
تبدیل اسناد با مدل تشخیص یک میلیون پارامتری Indra OCR
استارتاپ Datalab بسته نرم‌افزاری جمع‌وجوری به نام Indra OCR را برای تبدیل اسناد منتشر کرده است که بدون نیاز به پردازنده‌های گرافیکی و مستقیماً روی پردازنده مرکزی (CPU) اجرا می‌شود و فایل‌های PDF یا تصاویر را به قالب‌های مارک‌داون (Markdown)، متن ساده یا داده‌های ساختاریافته JSON تبدیل می‌کند. خروجی این ابزار می‌تواند شامل اطلاعات تکمیلی نظیر مختصات و کادرهای محدودکننده خطوط، بلوک‌های برچسب‌گذاری‌شده از ساختار صفحه، ترتیب صحیح خوانش متن و ضرایب اطمینان باشد.
ابزارهای مدرن تحلیل اسناد معمولاً از مدل‌های زبانی-دیداری (Vision-Language) استفاده می‌کنند؛ مدل‌هایی که هر صفحه را به‌صورت تصویر رندر کرده و کلمات را توکن‌به‌توکن تولید می‌کنند؛ رویکردی که موجب مصرف بسیار بالای حافظه و افزایش چشمگیر تأخیر پردازش می‌شود. در مقابل، Indra روی پردازش‌های بسیار حجیم تمرکز دارد؛ کاربردهایی نظیر آماده‌سازی اسناد برای سیستم‌های تولید مبتنی بر بازیابی (RAG)، ایندکس کردن آرشیوهای اسکن‌شده و هدایت صفحات دشوارتر به مدل‌های سنگین‌تر هوش مصنوعی.
کدهای مخزن این پروژه تحت مجوز آپاچی ۲.۰ منتشر شده‌اند. همچنین وزن‌های مدل از نسخه اصلاح‌شده مجوز OpenRAIL-M پیروی می‌کنند که استفاده پژوهشی و استفاده تجاری رایگان را برای استارتاپ‌هایی با سرمایه یا درآمد کمتر از ۲۰ میلیون دلار مجاز دانسته است. سازمان‌ها و شرکت‌هایی که در این چارچوب قرار نمی‌گیرند، باید پیش از استقرار مدل، مفاد دقیق مجوز را بررسی کنند.
پردازش ۴۹ صفحه در ثانیه در آزمون‌های عملی
بر اساس گزارش Datalab، این مدل روی سیستمی مجهز به پردازنده ۳۲ هسته‌ای AMD EPYC توانسته است ۳۰۰ صفحه از بنچمارک OmniParseBench را با نرخ ۴۹ صفحه در ثانیه پردازش کند. همچنین در پیکربندی سبک‌تر با ۴ پردازنده مجازی (vCPU)، میانگین زمان تأخیر به حدود ۲۳۰ میلی‌ثانیه برای هر صفحه رسیده است.
معیار | نتیجه | شرایط آزمون |
|---|---|---|
توان پردازشی (Throughput) | ۴۹ صفحه در ثانیه | ۳۲ هسته پردازنده (CPU)، ۳۰۰ صفحه از بنچمارک OmniParseBench |
مطالب مرتبط و پیشنهادی
چگونه با هوش مصنوعی اپل برای آیفون میانبر بسازیم و چرا این قابلیت واقعاً کاربردی است؟
برنامه Shortcuts در آیفون با ادغام هوش مصنوعی اپل وارد مرحله تازه‌ای شده است و حالا به شما اجازه می‌دهد تنها با نوشتن دستورات متنی به زبان ساده، فرآیندهای پیچیده را خودکارسازی کنید. با وجود اینکه ساخت میانبرها با هوش مصنوعی هنوز در برخی سناریوها نیازمند ویرایش دستی است، اما این ابزار یکی از ملموس‌ترین و کاربردی‌ترین بخش‌های اپل اینتلیجنس به شمار می‌رود.
اپل قوانین اپ استور را برای مقابله با برنامه‌های برهنه‌سازی با هوش مصنوعی سخت‌تر کرد
اپل با به‌روزرسانی قوانین نظارتی اپ استور، توسعه‌دهندگان را ملزم کرد جلوی تولید و انتشار تصاویر برهنه و بدون رضایت، به‌ویژه محتوای ساخته‌شده با ابزارهای هوش مصنوعی را بگیرند. طبق این مقررات، اپلیکیشن‌های خاطی یا فریبکار فوراً از فروشگاه حذف می‌شوند و دسترسی توسعه‌دهندگان آن‌ها نیز باطل خواهد شد.
ایلان ماسک: کسری بودجه آمریکا فقط با هوش مصنوعی و ربات‌ها حل می‌شود نه با صرفه‌جویی دولتی
ایلان ماسک در گفت‌وگویی تازه با والتر آیزاکسون اعتراف کرد که پروژه دپارتمان بهره‌وری دولت (DOGE) شکست خورده و کاهش هزینه‌ها از درون ساختار سیاسی ناممکن است. او تأکید کرد که تنها راهکار واقعی برای نجات اقتصاد آمریکا از بحران بدهی ملی، تکیه بر جهش بهره‌وری حاصل از هوش مصنوعی و ربات‌ها است.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.