Baidu пусна с отворен код Unlimited OCR 2 за анализ на документи от стотици страници
Baidu пусна Unlimited OCR 2 — OCR модел с отворен код, създаден за много дълги документи. Моделът с 3B параметъра обработва книги, регулаторни документи и доклади от стотици страници с една заявка. Основната промяна е SR-SWA — схема за разредено внимание, която поддържа разходите за декодиране на стъпка почти постоянни. Теглата се разпространяват под лиценза MIT, а кодът е наличен в GitHub.
Накратко
- Размер: 3,34 млрд. параметъра. Броят на активните параметри не е посочен. Максимална дължина на позицията — 131 072 токена.
- Работи на: 1 CUDA GPU в BF16. Baidu е тествала модела на NVIDIA A800-80GB. Теглата в BF16 заемат общо около 6,7 GB.
- Производителност: първо място и в двата многoстранични бенчмарка, тествани от Baidu, срещу 9 други модела (по данни на самата компания).
- Най-добър резултат: 77,1 общ резултат в MarathonDocBench (стотици страници). Следващият модел, Kimi-K3, постига 33,7.
- Най-слаб резултат: 48,2 за йерархията на заглавията (TEDS) в MarathonDocBench — най-ниският му резултат по отделен показател.
Какво представлява Unlimited OCR 2?
Unlimited OCR 2 е визио-езиков модел на Baidu с 3B параметъра, който преобразува подредени изображения на страници в структурирани текстове. Резултатът включва текст, таблици, формули, фигури, заглавия и ред на четене. Той е наследник на Unlimited-OCR, пуснат през юни 2026 г. с цел да развие допълнително DeepSeek-OCR.
Конфигурацията запазва архитектурата в стил DeepSeek-OCR. Енкодер SAM ViT-B плюс CLIP-L подава данни към декодер със смес от експерти на 12 слоя. Всеки токен се насочва към 6 от 64 експерти, плюс 2 споделени експерта. Документът за DeepSeek-OCR описва този декодер като DeepSeek3B-MoE-A570M. Baidu не посочва броя на активните параметри за версия 2. В многoстраничен режим всяка страница изисква 273 визуални токена.
Как работи SR-SWA?
Разходите при пълното внимание нарастват квадратично с дължината на последователността. По време на декодирането всеки нов токен сканира все по-дълъг KV кеш. При 273 визуални токена на страница 100 страници добавят 27 300 входни токена, преди да бъде генериран какъвто и да е изход.
SR-SWA означава Sparse Reference Sliding Window Attention — разредено внимание с плъзгащ се прозорец и референтни токени. То компресира текстово-визуалното внимание до фиксиран набор от работни референции. В своята карта на модела Baidu посочва 512 токена като примерен размер. Конфигурацията комбинира локален прозорец от 128 токена с избор на топ 16 блока от по 32 токена. Това са 16 блока по 32 токена, което съответства на бюджета от 512 токена.
Това поддържа латентността и паметта на всяка стъпка почти постоянни с нарастването на документите. Компанията нарича резултата обработка с „неограничен хоризонт“ в рамките на краен контекстов прозорец. Кодирането на изображенията и общото време за изпълнение все пак нарастват с броя на страниците.
Как се представя в MPDocBench и MarathonDocBench?
Екипът на Baidu е тествал модела в MPDocBench, който включва десетки страници на документ, и в MarathonDocBench, който включва стотици. MPDocBench-Parse е публичен бенчмарк с 433 документа и 3 246 страници. Не успяхме да открием публична версия на MarathonDocBench.
Според графиката на класацията на Baidu Unlimited OCR 2 получава 84,6 в MPDocBench. Qwen3.8-Max следва със 78,3, а след него е Qwen-3.8-Flash-Next със 77,4. В MarathonDocBench моделът получава 77,1. Kimi-K3 е следващият с 33,7, следван от Gemini-3.8-Flash с 28,6.
Спадът между двата бенчмарка е същинската история. Qwen3.8-Max пада от 78,3 до 22,9 при документи от сто страници. Unlimited OCR 2 губи 7,5 точки. Предшественикът му Unlimited-OCR получава 0,0 в MarathonDocBench.
Резултати по показатели (MPDocBench / MarathonDocBench):
- Текст: 94,8 / 89,6
- Формули: 89,4 / 87,9
- Ред на четене: 92,3 / 85,3
- Таблици: 87,8 / 74,8
- Йерархия на заглавията: 60,1 / 48,2
Разликите по отделните показатели в MPDocBench са малки. Qwen3.8-Max получава 94,3 за текст и 89,2 за формули. Всички данни са предоставени от самите компании и се появяват единствено като изображение на графика.
Сравнение с други OCR модели с отворен код
| Unlimited OCR 2 | Unlimited-OCR | DeepSeek-OCR-2 | PaddleOCR-VL-1.6 | |
|---|---|---|---|---|
| Разработчик | Baidu | Baidu | DeepSeek | Baidu PaddlePaddle |
| Параметри | 3,34B | 3,34B | 3,39B | 0,96B |
| Активни параметри | Не е посочено | Не е посочено | Не е посочено | Не е посочено |
| Лиценз | MIT | MIT | Apache 2.0 | Apache 2.0 |
| Документ / публикация | октомври 2026 г. (доклад) | юни 2026 г. (arXiv) | януари 2026 г. (arXiv) | юни 2026 г. (arXiv) |
| Механизъм за дълги документи | SR-SWA, референтен набор от 512 токена | Многoстраничен infer_multi, без SR-SWA | Не е посочено | Не е посочено |
| Общ резултат в MPDocBench | 84,6 (Baidu) | 61,9 (Baidu) | Няма данни | Няма данни |
| Общ резултат в MarathonDocBench | 77,1 (Baidu) | 0,0 (Baidu) | Няма данни | Няма данни |
| Обслужване | Transformers, персонализиран SGLang | Transformers, vLLM, SGLang | Transformers, SGLang | PaddleOCR, Transformers |
Броят на параметрите и лицензите са взети от страницата на всеки модел в Hugging Face. Резултатите от бенчмарковете са от графиката на Baidu.
Как се стартира Unlimited OCR 2?
Картата на модела посочва Transformers за бързи тестове и SGLang за обслужване. В Transformers infer обработва 1 страница с динамично разделяне на плочки, наречено режим gundam. infer_multi обработва всяка страница от документа с 1 заявка, така че моделът запазва контекста между страниците. Зареждането изисква trust_remote_code=True, което изпълнява Python код от хранилището.
Обслужването чрез SGLang използва персонализиран пакет от Baidu, а не официалния SGLang. Примерът на Baidu планира по 10 страници на прозорец и използва повторно KV опашката от предишния прозорец. По-малките прозорци намаляват пиковото потребление на памет, но отслабват обединяването между страниците. Baidu предупреждава, че настройка по подразбиране на отместването може да задейства заделяне на 462 MiB и да доведе до изчерпване на паметта.
Основни изводи
- Unlimited OCR 2 е OCR модел на Baidu с 3,34 млрд. параметъра и лиценз MIT.
- SR-SWA ограничава вниманието до фиксиран референтен набор от 512 токена.
- Моделът получава 77,1 в MarathonDocBench срещу 33,7 за следващия модел.
- Йерархията на заглавията е слабата му страна — 48,2 при дълги документи.
- Всички числа от бенчмарковете са предоставени от Baidu.
Разгледайте картата на модела, техническия доклад и хранилището в GitHub. Също така можете да ни последвате в Twitter и не забравяйте да се присъедините към нашия 150k+ ML SubReddit и да се абонирате за нашия бюлетин. Чакайте! В Telegram ли сте? Вече можете да се присъедините към нас и в Telegram.
Имате нужда от партньор за популяризиране на вашето GitHub хранилище ИЛИ страница в Hugging Face ИЛИ продуктова премиера ИЛИ уебинар и т.н.? Свържете се с нас
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.