Baidu lanzó Unlimited OCR 2 el 27 de octubre de 2026. Es un modelo de reconocimiento óptico de caracteres (OCR) de código abierto diseñado para leer documentos de cientos de páginas en una sola solicitud. El modelo tiene 3.000 millones de parámetros y se distribuye con licencia MIT. El repositorio de Baidu en GitHub incluye instrucciones para ejecutarlo con Transformers o SGLang.
Según el repositorio, el modelo utiliza Sparse Reference Sliding Window Attention (SR-SWA). En lugar de hacer que los cálculos de atención aumenten con la longitud total del documento, el método mantiene un conjunto de referencias de tamaño fijo; Baidu da 512 tokens como ejemplo. La empresa afirma que esto mantiene casi constantes el tiempo de decodificación y el uso de memoria, aunque los documentos sean más largos. Son afirmaciones de la empresa, no mediciones independientes incluidas en el material disponible.
Baidu afirma que Unlimited OCR 2 obtuvo 77,1 en MarathonDocBench, una prueba de referencia para documentos de unas cien páginas. MarkTechPost también informa de esa puntuación, pero los detalles disponibles no especifican la versión de la prueba, las condiciones ni los modelos de comparación. Baidu describe el modelo como el más avanzado tanto en MarathonDocBench como en MPDocBench; la información proporcionada no incluye las puntuaciones de esas comparaciones en el repositorio.
¿Cómo se puede ejecutar?
Baidu documenta la inferencia con varias páginas mediante Transformers y recomienda SGLang para poner el modelo en servicio. Su ejemplo con Transformers se probó con Python 3.10 y una NVIDIA A800 con 80GB de memoria. Se trata de una configuración de prueba, no de un requisito mínimo de hardware declarado.
El repositorio también describe una opción de ventana por páginas para SGLang, que procesa documentos largos en grupos más pequeños de páginas. Baidu advierte que las ventanas más pequeñas reducen el uso máximo de memoria, pero pueden dificultar la conexión entre contenidos que continúan al otro lado del límite de una ventana. Por tanto, que el modelo pueda recibir muchas páginas en una sola solicitud no significa que cualquier configuración pueda procesar documentos de cualquier tamaño sin límites: el hardware y la configuración del servicio siguen siendo importantes.
Por qué importa
Para las organizaciones que digitalizan informes o registros extensos, procesar varias páginas en una sola solicitud permite que el modelo utilice información de distintas páginas, en lugar de tratar cada una como un trabajo de OCR independiente. Baidu ofrece una versión abierta con licencia MIT, pero los detalles disponibles no permiten determinar con qué precisión funciona en los documentos de una organización concreta ni qué hardware necesitará para procesar su carga de trabajo.
