杨立昆都转发了！ Unlimited-OCR 为什么这么火？ 百度的 Unlimited-OCR 再次冲上 HuggingFace 趋势榜，目前全球第三，又一次排在 GLM-5.2 前面。 上个月它横扫 GitHub、HF 四榜第一，我以为这波热度就过去了，结果图灵奖得主一转发，又把它送回了前三。 GitHub star 破 1.65 万，HF 下载 224 万，还在涨。 传统 OCR 有个老毛病：把文档一页页切开处理，跨两页的表格直接断掉，阅读顺序也丢了。 Unlimited-OCR 用 R-SWA 机制，几十页文档当一个整体连续解析，解码时 KV Cache 恒定——文档再厚，显存占用不涨。 海外博主 Mario Nawfal 实测：100 页 PDF 一次解析完，40 页之后错误率还在 0.11 以下，其他 OCR 到这个长度已经干不动了。 3B 参数，自己电脑就能跑，关键免费。 如果你经常要处理几十上百页的 PDF——论文、合同、扫描件，以前要么手动切页，要么掏钱买 OCR SaaS，现在这两样都省了。 项目地址👇 HuggingFace： #无限OCR# #UnlimitedOCR# #百度# #文心大模型# #文心#

炸场了兄弟们🔥 HuggingFace 全球模型榜前排，直接被中国开源模型包了。 ✅ 月之暗面 Kimi K3：开源权重冲上全球模型趋势榜 ✅ 百度 Unlimited OCR：从 GitHub 到 HuggingFace 一路霸榜，发布一个多月热度还在往上冲 这俩现在基本可以叫：中国开源模型「双子星」。 更有意思的是，Unlimited OCR 不是单纯刷榜好看，它真打到行业痛点了：长文档 OCR。 过去解析书籍、论文、报告，都得一页页拆、再拼起来。页数一多，上下文丢、表格断、显存涨、速度慢，全是老毛病。 百度这次搞了个 R-SWA 机制，让模型像人读长文档一样：一直盯着原文，只留最近一段内容当工作记忆。结果就是几十页文档一次连续解析，KV Cache 还能保持恒定。 所以你会看到它被杨立昆转发，被海外 AI 博主刷屏，GitHub Star 冲到 1.97 万，HF 下载量 265 万。 另一边 Kimi K3 也很猛：2.8 万亿参数 MoE，原生多模态，百万 token 上下文。马斯克一句 "Impressive"，Vercel CEO 说它网页工程评测综合第一。 ✅ 一个长上下文多模态，一个长文档解析 ✅ 一个冲模型能力，一个打真实场景 这波不是"国产替代"的老叙事了。 是中国 AI 开源，真的开始在全球开发者社区拿话语权了。 中国开源模型，已经不是追赶者了。

神了，杨立昆 @ylecun 居然转发了百度的项目？？ 刚刷推的时候居然发现杨立昆的号里面居然有Unlimited-OCR？？ 他转发了一条介绍 Unlimited-OCR 的帖子。 Unlimited-OCR这个项目我之前介绍过。 没想到发布一个月后，还能再次冲上 HuggingFace 全球模型趋势榜第三。 目前 GitHub Star 已经突破 16.5 k，HuggingFace 下载量达到 224 万。 Unlimited OCR 真正有意思的地方，是它试图解决 OCR 长文档解析最麻烦的问题。 传统 OCR 通常把 PDF 拆成一页页处理，再把结果拼起来。 遇到跨页表格、公式和复杂阅读顺序，很容易丢失上下文。 Unlimited OCR 的做法是把 DeepSeek-OCR 的全部解码器注意力，替换成一套叫 R-SWA 的机制。 模型始终可以查看全部原始图像，但对于自己已经生成的内容，只保留最近128个Token作为工作记忆。这样一来，KV Cache 不再随着输出不断膨胀，解析到后面也不会越来越慢。 按照论文数据，它可以在32K上下文内一次连续解析数十页文档,输入超过40页后，编辑距离依然低于0.11。 在6000个输出Token时，理论吞吐量比DeepSeek-OCR高35%。 并且一个中国团队开源的3B模型，发布一个月后仍在持续获得海外社区适配并重新冲回全球热榜，还能被杨立昆主动转发。 @Baidu_Inc 你们这次确实做出了一个全球开发者愿意自己传播的东西啊

具备无限航区调遣能力，四航永盛号助力我国深远海风电场、跨海大桥工程建设#海洋强国装备# Capable of unlimited sea voyage deployment, it supports China’s offshore wind farms and cross-sea bridge construction for marine power strategy. #MarinePowerEquipment#

普通人防 DeFi 被盗，不需要懂所有攻击手法。 记住 4 条就够了。 第一，少给无限授权。 能给固定额度，就别给 unlimited approve。用完及时 revoke，尤其是小协议、土狗、空投网站。 第二，不签看不懂的签名。 很多人以为签名不花 gas 就没风险，其实 Permit、Permit2、订单签名、授权签名，都可能把资产控制权交出去。 第三，只从官方入口进前端。 不要点群里、私信里、搜索广告里的链接。DeFi 最便宜的攻击方式之一，就是做一个一模一样的假网站。 第四，远离三线协议。 高 APY 不是收益，是风险定价。越小的协议，审计、监控、权限、应急能力越弱。 普通人的安全策略不需要“我能识别所有风险”。 而是： 不给陌生合约权限； 不签陌生消息； 不进陌生前端； 不碰陌生协议。 你避开的不是一次攻击。 是别人精心设计好的提款路径。

一个 Greenwich 的 24 岁量化，去年拿 $650,000 年薪 做的事情，现在 Horizon AI agent 90 秒就能完成 不是比喻 而是同一件事： 提出 hypothesis 写代码 回测 部署 过去一条 strategy 的成本大约是 $87,500 而且大多数策略第 6 周就死掉 真正变化的是这里： Backtest 时间：7 周 → 90 秒 单个 hypothesis 成本：$87,500 → $0 每月能测试的 hypothesis：可能 1 个 → unlimited 技能门槛：Python / Pine Script / APIs → 一句英文 以前机构的 moat，不一定是数据 也不一定是速度 而是你请不起那个“把想法翻译成系统”的人 这个 translator，以前是高薪量化和工程师 现在变成了 autonomous AI agent 它会写 会测 会部署 还能 24/7 运行 所以真正被压缩的，不只是工资 而是从想法到交易系统之间的整条 pipeline 文章里拆了完整流程 Save this 6 个月后，可能就不是秘密了 你只需要 Claude + device + 每天 1 小时 问题是： 当 hypothesis → code → backtest → deploy 都被 AI agent 自动化之后，交易员剩下的核心优势会是什么？