27 октября 2026 года Baidu выпустила Unlimited OCR 2 — модель оптического распознавания символов (OCR) с открытым исходным кодом, предназначенную для чтения документов в сотни страниц за один запрос. Модель с 3 миллиардами параметров распространяется под лицензией MIT. В репозитории Baidu на GitHub есть инструкции по запуску с Transformers или SGLang.
Согласно репозиторию, модель использует механизм Sparse Reference Sliding Window Attention (SR-SWA). Вместо того чтобы увеличивать объём вычислений внимания вместе с длиной документа, этот метод использует фиксированный набор ссылок — например, из 512 токенов, как поясняет Baidu. Компания утверждает, что благодаря этому время декодирования и потребление памяти почти не меняются при увеличении объёма документов. Это заявления компании, а не результаты независимых измерений в предоставленных материалах.
По данным Baidu, Unlimited OCR 2 набрала 77,1 балла в MarathonDocBench — тесте для документов объёмом около сотни страниц. Оценку также приводит MarkTechPost, однако в доступных материалах не указаны версия теста, условия проверки и модели для сравнения. Baidu называет модель лидером в MarathonDocBench и MPDocBench, но в предоставленной информации в репозитории нет результатов этих сравнений.
Как запустить модель?
Baidu описывает обработку многостраничных документов через Transformers и рекомендует SGLang для развёртывания. Пример для Transformers проверяли с Python 3.10 на NVIDIA A800 с 80GB памяти. Это тестовая конфигурация, а не заявленное минимальное требование к оборудованию.
В репозитории также описан режим обработки страниц группами для SGLang: длинный документ разбивается на небольшие блоки. Baidu предупреждает, что уменьшение размера блоков снижает пиковое потребление памяти, но может затруднить связывание фрагментов текста, переходящих из одного блока в другой. Поэтому возможность обрабатывать много страниц за один запрос не означает, что любая конфигурация справится с документом любого объёма без ограничений: важны и оборудование, и настройки сервера.
Почему это важно
Организации, которые оцифровывают длинные отчёты и архивные документы, могут обрабатывать их одним запросом, чтобы модель использовала информацию со всех страниц, а не распознавала каждую отдельно. Baidu выпустила модель с открытым исходным кодом под лицензией MIT, но имеющихся данных недостаточно, чтобы судить о точности на документах конкретной организации или требованиях её задач к оборудованию.
