Am 27. Oktober hat Baidu Wenxin Unlimited OCR 2 veröffentlicht und als Open Source bereitgestellt – als weltweit erstes Modell, das die Dokumentenanalyse beliebiger Seitenzahl ermöglicht. Dabei hebt es die Verarbeitungsgrenze von OCR von mehreren Dutzend Seiten auf „unbegrenzt“ und erreicht den neuesten Stand der Technik (SOTA). Praxistests zeigen, dass das Modell die gesamte Harry-Potter-Reihe mit 7 Werken, insgesamt über 3600 Seiten, in einem Durchlauf analysieren kann und auch bei stark verlängerter Dokumentenlänge weiterhin hohe Präzision und Verarbeitungseffizienz beibehält – ein Schritt der Dokumentenanalyse-Technologie ins OCR-3.0-Zeitalter.
Öffentliche Benchmark-Tests zeigen: Auf dem für die Mehrseiten-Dokumentenanalyse konzipierten MPDocBench sowie dem MarathonDocBench, der speziell die Fähigkeit zur Analyse hundertseitiger, sehr langer Dokumente bewertet, erreichte Wenxin Unlimited OCR 2 Gesamtwerte von 84,6 bzw. 77,1 Punkten – ein End-to-End-Leistungs-SOTA, das Modelle wie Qwen 3.8-Max, Gemini-3.8-Flash, GLM-5.3-Flash und DeepSeek-4.1-Flash deutlich übertrifft.
Dieser Durchbruch ist der Sparse Reference Sliding Window Attention (SR-SWA), einem Mechanismus, den Wenxin Unlimited OCR 2 vorschlägt, zu verdanken. Dieser Mechanismus orientiert sich am menschlichen Prozess des Abschreibens von Büchern: Man konzentriert sich normalerweise auf die aktuelle Seite und blickt nur zurück, wenn frühere Stellen überprüft oder seitenübergreifende Informationen gesucht werden müssen, statt wiederholt das gesamte Buch durchzublättern.
SR-SWA überträgt dieses Prinzip auf die Aufmerksamkeitsberechnung des Modells. Konkret verkleinert das Page Gate zunächst den visuellen Referenzbereich jeder Anfrage vom gesamten Dokument auf relevante Seiten und modelliert dabei seitenübergreifende Positionsbeziehungen; anschließend werden die am höchsten bewerteten visuellen Token Buckets eingeführt, um langfristige visuelle Abhängigkeiten zu erfassen. Berichtstests zeigen, dass in Szenarien mit hundertseitigen Dokumenten die Einzelschritt-Decodierungsgeschwindigkeit von SR-SWA im Vergleich zu Full Attention bzw. zur Vorgängergeneration R-SWA um das 7-fache bzw. 5,6-fache steigt.
Mit der Entwicklung der KI-Technologie wächst die Nachfrage nach der Analyse sehr langer Dokumente wie ausführlicher Studienberichte oder ganzer Bücher stetig und stellt die OCR-Technologie vor völlig neue Herausforderungen. Der Analysebereich herkömmlicher OCR-Systeme ist meist auf einzelne Seiten beschränkt; die Mehrseitenanalyse basiert üblicherweise auf dem Zusammenfügen von Ergebnissen. Die erste Generation von Unlimited OCR erweiterte durch die Einführung der Reference Sliding Window Attention den Analysebereich auf zusammenhängende Dutzende Seiten. Das nun veröffentlichte Unlimited OCR 2 durchbrach die Rechenengpässe bei der Analyse sehr langer Dokumente weiter: SR-SWA reduziert redundante Berechnungen visueller Informationen, kombiniert mit dem Unlimited-Horizon Decoding, das den Rechen- und Speicheraufwand bei der Analyse sehr langer Dokumente senkt – ein Schritt der Dokumentenanalyse-Technologie ins OCR-3.0-Zeitalter und die Verwirklichung einer echten Dokumentenanalyse beliebiger Seitenzahl.
Das Unlimited-OCR-Projekt hat bereits weltweite Anerkennung in der Open-Source-Community erhalten. Nach der offiziellen Veröffentlichung der ersten Generation von Unlimited OCR am 22. Juni stieg sie am Folgetag auf Platz 1 der GitHub Daily Trending-Gesamtliste und der Python-Liste sowie der HuggingFace-Globalen Modelltrendliste und der Multimodalen Modell-Trendliste – vier Listen führten sie gleichzeitig an. Die GitHub Stars überschritten in 5 Tagen die Marke von 1 万 und das Projekt wurde zu einem Phänomen. Bislang verzeichnete Hugging Face über 1000 万 Downloads, auf GitHub sammelte das Projekt 2.85 万 Stars und erhielt eine Weiterempfehlung durch den Turing-Preisträger und KI-Wissenschaftler Yann LeCun.
Am 12. November wird die Baidu World 2026-Konferenz die technischen Highlights und das Anwendungspotenzial von Wenxin Unlimited OCR 2 weiter präsentieren. Die diesjährige Konferenz steht unter dem Motto „Die nächste Szene: die intelligente Organisation“ und wird die neuesten Upgrades von Baidus Full-Stack-KI „Chip-Cloud-Modell-Framework“ vorstellen, um Unternehmen und Entwicklern die schnelle Umsetzung von KI-Anwendungen zu erleichtern und die Entwicklung der intelligenten Organisation voranzutreiben.
Der Code und die Modellgewichte von Wenxin Unlimited OCR 2 sind derzeit parallel auf GitHub und Hugging Face als Open Source verfügbar und zugleich auf der Baidu Intelligent Cloud Plattform und der Baidu AI Open Platform online; Entwickler und Unternehmensnutzer können sie herunterladen und nutzen.
Open-Source-Adressen von Wenxin Unlimited OCR 2:
GitHub: https://github.com/baidu/Unlimited-OCR
HuggingFace: https://huggingface.co/baidu/Unlimited-OCR-2