Baidu выпустила Unlimited OCR 2 с открытыми весами для разбора длинных документов

27 октября 2026 года Baidu выпустила Unlimited OCR 2 — модель для распознавания и структурного разбора многостраничных документов. В официальной карточке опубликованы веса под лицензией MIT и запись о релизе. Основное изменение второй версии — механизм Sparse Reference Sliding Window Attention, или SR-SWA, рассчитанный на обработку длинных последовательностей страниц.

По описанию команды, SR-SWA ограничивает взаимодействия текстовых и визуальных токенов фиксированным набором рабочих опорных токенов — в качестве примера указано 512. Авторы заявляют, что это позволяет сохранять почти постоянные задержку отдельного шага декодирования и потребление памяти при увеличении длины документа. Это утверждение разработчиков; оно не означает постоянного времени обработки всего файла или гарантированного качества на документах любого размера.

Как запустить модель

В репозитории проекта описаны два пути: Transformers для быстрых экспериментов и SGLang для обслуживания запросов. Метод infer_multi принимает упорядоченный список изображений страниц и обрабатывает их одним запросом, используя межстраничный контекст. В ответе границы страниц обозначаются маркером <PAGE>. Для PDF приведён пример предварительного преобразования страниц в изображения.

Опубликованная конфигурация Transformers проверялась на NVIDIA A800 с 80 ГБ памяти; это описание тестового окружения, а не установленный минимальный порог. Инструкция для SGLang требует специальной сборки из репозитория. Для длинных документов предусмотрена обработка окнами страниц с повторным использованием хвоста KV-кэша. Авторы отдельно предупреждают: уменьшение окна снижает пиковую память, но ухудшает объединение блоков, продолжающихся через его границу.

Что проверяет MarathonDocBench

Одновременно Baidu представила MarathonDocBench: 100 документов объёмом примерно 100–300 страниц каждый, около 18 тысяч страниц и 205 тысяч размеченных элементов. Набор содержит китайский и английский текст, а также многочисленные переходящие между страницами текстовые блоки и таблицы. Структурную разметку, первоначально полученную автоматическим парсером, уточняли люди; транскрипции проверялись с помощью VLM и ручного разбора спорных случаев.

Команда заявляет о лидерстве Unlimited OCR 2 на MPDocBench и MarathonDocBench. Эти результаты следует воспринимать как авторскую оценку. В методике MarathonDocBench конкурирующим VLM передавали все страницы одним запросом; при превышении ограничений изображения уменьшали, документы сверх лимита числа изображений пропускали, а неудачные запросы учитывали как пустые ответы. Поэтому сравнение отражает также ограничения обслуживающих API и выбранного режима запуска.

Для воспроизведения оценки предлагается инструментарий MPDocBench-Parse с опубликованными изменениями и настройками тайм-аутов. Лицензии модели и тестовых материалов различаются: аннотации MarathonDocBench распространяются под Apache-2.0, а изображения исходных документов предоставлены только для академического и исследовательского использования.