Baidu släppte Unlimited OCR 2 den 27 oktober 2026. Det är en modell med öppen källkod för optisk teckenigenkänning (OCR), utformad för att läsa dokument på hundratals sidor i en enda begäran. Modellen har 3 miljarder parametrar och ges ut under MIT-licensen. På Baidus GitHub-repo finns instruktioner för att köra den med Transformers eller SGLang.
Enligt repot använder modellen Sparse Reference Sliding Window Attention, eller SR-SWA. I stället för att låta beräkningarna för attention växa med dokumentets totala längd använder metoden en fast uppsättning referenser; Baidu nämner 512 token som ett exempel. Enligt företaget gör det att avkodningstiden och minnesanvändningen förblir nästan konstanta även när dokumenten blir längre. Det är Baidus påståenden, inte oberoende mätningar i det tillhandahållna materialet.
Baidu uppger att Unlimited OCR 2 fick 77,1 poäng på MarathonDocBench, ett test för dokument på omkring hundra sidor. MarkTechPost rapporterar också resultatet, men de tillgängliga uppgifterna specificerar inte testets version, inställningar eller vilka modeller som jämfördes. Baidu beskriver modellen som ledande på både MarathonDocBench och MPDocBench, men det tillhandahållna materialet från repot innehåller inga poäng för de jämförelserna.
Hur kan man köra modellen?
Baidu beskriver inferens för flera sidor med Transformers och rekommenderar SGLang för drift. Baidus exempel med Transformers testades med Python 3.10 och ett NVIDIA A800-kort med 80GB minne. Det är en testmiljö, inte ett angivet minimikrav på hårdvara.
Repot beskriver också ett alternativ med sidfönster för SGLang, som delar upp långa dokument i mindre sidgrupper. Baidu varnar för att mindre fönster minskar den maximala minnesanvändningen, men kan göra det svårare att koppla ihop innehåll som fortsätter över gränsen mellan två fönster. Att modellen kan ta emot många sidor i en enda begäran betyder alltså inte att alla system kan hantera dokument av valfri storlek utan begränsningar: hårdvara och serverkonfiguration spelar fortfarande roll.
Varför det spelar roll
För organisationer som digitaliserar långa rapporter eller register kan en enda begäran låta modellen använda information från flera sidor, i stället för att behandla varje sida som ett separat OCR-jobb. Baidu erbjuder en öppen version med MIT-licens, men de tillhandahållna uppgifterna visar inte hur träffsäkert modellen fungerar på en viss organisations dokument eller vilken hårdvara som krävs för dess arbetsflöde.
