Unlimited OCR：让模型像人抄书一样，一口气读完整本书
百度用 R-SWA 把 DeepSeek-OCR 的 KV cache 摁成常数，单次前向解析几十页；OmniDocBench v1.5 拿 93%（6000 token 时比 baseline 快 35%）。
📝 最新文章
深度解读
热点事件
凌晨4点，Anthropic的"潘多拉魔盒"被打开了
Claude Code 51万行源码泄露始末——一场意外、一次 clean-room 重写、和一个一天10万星的 GitHub 传奇。
深度解读
LED: 文档版面分析的"体检报告"来了——八类结构错误，你的模型能发现几个？
忠南大学提出LED基准：8种结构错误定义+合成数据集+三级评测任务。Gemini 2.5 Pro全面领先，GPT-4o粗粒度强但细粒度弱。
深度解读
PhysBrain：用人类第一人称视频教会机器人"物理智能"
港科大广州等团队提出PhysBrain，通过Egocentric2Embodiment翻译管线将人类第一视角视频转化为300万条结构化监督信号，Planning超越GPT-4，SimplerEnv成功率53.9%。
Qianfan-OCR：百度4B参数端到端模型，统一文档OCR与理解
百度千帆4B参数端到端文档智能模型，Layout-as-Thought可选版面推理，OmniDocBench v1.5端到端第一（93.12），KIE超越Gemini-3.1-Pro和Qwen3-VL-235B。
不改模型，只改数据：用合成数据让文档版式分析提升2-4%
形式化合成数据生成框架，中位数分割+随机采样策略，YOLO11m全指标提升2-4%，已集成到MinerU。数据工程 > 模型工程。
GLM-OCR：9亿参数小模型，如何登顶文档理解之巅？
智谱AI × 清华：0.9B参数，OmniDocBench v1.5 第一名（94.62），超越 Gemini-3 Pro 和 Qwen3-VL-235B。CogViT + GLM + MTP 多Token预测，吞吐提升50%。
给YOLO动三刀，文档版面分析快又准？常州团队的SL-YOLO，我们来扒一扒
YOLOv8s上三个改进：星形梯度重构、大核注意力、动态聚焦损失。CDLA提升3.6%，计算量降38%。
小红书搞了个“万物皆可OCR”：3B小模型干翻一众大模型
小红书hi lab联合华中科大白翔团队提出 MOCR，仅3B参数，统一图文解析为SVG，olmOCR-Bench SOTA 83.9分。
OCR已死？别急着下结论——深度解读+批判性分析
多模态大模型直接看图做文档信息抽取，能打平传统 OCR+LLM pipeline？结论很大胆，但事情没那么简单。
21款PDF表格解析器大比拼：LLM当裁判，谁才是真正的王者？
从 PyMuPDF 到 GPT-4o，21个解析器横评，LLM打分。最贵的不一定最好，开源方案也有惊喜。
📺 视频讲解
LED：文档版面分析的"体检报告"——八类结构错误评测基准
约4分钟 · 中文讲解 · 8种错误类型+三级评测
PhysBrain：用人类第一人称视频教会机器人"物理智能"
约5分钟 · 中文讲解 · Egocentric2Embodiment详解
Qianfan-OCR：百度4B参数端到端文档智能模型
约5分钟 · 中文讲解 · Layout-as-Thought详解
不改模型，只改数据：合成数据让DLA提升2-4%
约3分30秒 · 中文讲解 · 已集成MinerU
GLM-OCR：9亿参数如何登顶文档理解之巅？
约6分钟 · 中文讲解 · 图文并茂
SL-YOLO：给YOLO动三刀做文档版面分析
约2分30秒 · 中文讲解
MOCR 论文讲解：小红书3B模型如何统一OCR
约3分40秒 · 中文讲解 · 带字幕
OCR已死？——论文深度解读与批判性分析
中文讲解 · 带字幕
21款PDF解析器横评：谁才是王者？
中文讲解 · 带字幕
👋 关于
程序员谈天（Coder Says）是一个专注 AI 技术深度解读的内容频道。
我们关注多模态、OCR、文档智能、大语言模型等前沿方向，用通俗的语言拆解最新论文，辅以代码实践和视频讲解。
📮 微信公众号：coder_says
💼 广告合作 / 工作机会：zwcihcn@gmail.com
💬 欢迎关注、交流、投稿
👆 扫码关注公众号