Baidu ha lanzado Unlimited OCR 2, un modelo de OCR de código abierto diseñado para documentos muy largos. El modelo 3B puede analizar libros, archivos y informes de cientos de páginas en una sola solicitud. Su cambio clave es SR-SWA, un esquema de atención esparsa que mantiene el costo de decodificación por paso prácticamente constante. Los pesos están bajo la licencia MIT, y el código se encuentra en GitHub.
TL;DR
- Tamaño: 3.34B parámetros. Los parámetros activos no están divulgados. La longitud máxima de la posición es 131,072 tokens.
- Funciona en: 1 GPU CUDA en BF16. Baidu fue probado en un NVIDIA A800-80GB. Los pesos en BF16 suman aproximadamente 6.7 GB.
- Rendimiento: primera posición en ambos benchmarks de múltiples páginas que Baidu probó, frente a otros 9 modelos (reportados por el propio usuario).
- Mejor: 77.1 en general en MarathonDocBench (cientos de páginas). El siguiente modelo, Kimi-K3, obtiene 33.7 puntos.
- Peor: 48.2 en la jerarquía de encabezados (TEDS) en MarathonDocBench, su puntaje subestimado más bajo.
¿Qué es Unlimited OCR 2?
Unlimited OCR 2 es un modelo de lenguaje y visión 3B de Baidu que convierte imágenes de páginas ordenadas en texto estructurado. El resultado incluye texto, tablas, fórmulas, figuras, encabezados y el orden de lectura. Logra Unlimited-OCR, lanzado en junio de 2026 para avanzar DeepSeek-OCR.
El config mantiene un diseño de estilo DeepSeek-OCR. Un codificador SAM ViT-B más CLIP-L proporciona un decodificador de mezcla de expertos de 12 capas. Cada token se dirige a 6 de los 64 expertos, además de 2 expertos compartidos. El artículo de DeepSeek-OCR describe este decodificador como DeepSeek3B-MoE-A570M. Baidu no indica un número activo para la versión 2. En modo de múltiples páginas, cada página costa 273 tokens de imagen.
¿Cómo funciona SR-SWA?
El costo de atención total crece cuadráticamente con la longitud de la secuencia. Durante el decodificado, cada nuevo token escanea una memoria de KV más larga. Con 273 tokens de imagen por página, 100 páginas suman 27,300 tokens de entrada antes de cualquier salida.
SR-SWA significa Sparse Reference Sliding Window Attention. Compresiona la atención visual del texto en un conjunto fijo de referencias funcionales. La tarjeta de modelo de Baidu ofrece 512 tokens como tamaño de ejemplo. La configuración combina una ventana local de 128 tokens con la selección de los 16 primeros de 32 tokens en bloques de 32 tokens. Es decir, 16 bloques de 32 tokens, que coinciden con el presupuesto de 512 tokens.
Esto mantiene la latencia y la memoria por paso prácticamente constante a medida que crecen los documentos. Llama al resultado a la análisis de “horizonte ilimitado” dentro de una ventana de contexto finita. La codificación de imágenes y el tiempo total de ejecución siguen aumentando con el número de páginas.
¿Cómo obtiene puntuación en MPDocBench y MarathonDocBench?
El equipo de Baidu realiza pruebas en MPDocBench, con docenas de páginas por documento, y en MarathonDocBench, con cientos. MPDocBench-Parse es un benchmark público que incluye 433 documentos y 3,246 páginas. No pudimos encontrar una versión pública de MarathonDocBench.
Según el gráfico de clasificación de Baidu, Unlimited OCR 2 obtiene un puntaje de 84.6 en MPDocBench. Qwen3.8-Max está detrás con 78.3, seguido por Qwen-3.8-Flash-Next con 77.4. En MarathonDocBench, obtiene un puntaje de 77.1. Kimi-K3 está en segundo lugar con 33.7, seguido por Gemini-3.8-Flash con 28.6.
La caída entre los puntajes de referencia es la historia real. Qwen3.8-Max baja de 78.3 a 22.9 en documentos de cien páginas. Unlimited OCR 2 pierde 7.5 puntos. Su predecesor, Unlimited-OCR, obtiene un 0.0 en MarathonDocBench.
Subpuntuaciones (MPDocBench / MarathonDocBench):
- 94.8 / 89.6
- Fórmula: 89.4 / 87.9
- Orden de lectura: 92.3 / 85.3
- Tablas: 87.8 / 74.8
- Hierarquía de encabezados: 60.1 / 48.2
Los márgenes de un solo métrica en MPDocBench son delgados. Las puntuaciones de Qwen3.8-Max son de 94.3 en texto y 89.2 en fórmulas. Todas las figuras son auto-reportadas y aparecen únicamente en una imagen de gráfico.
Comparación con otros modelos de OCR abiertos
| Unlimited OCR 2 | Unlimited-OCR | DeepSeek-OCR-2 | PaddleOCR-VL-1.6 | |
|---|---|---|---|---|
| Desarrollador | Baidu | Baidu | DeepSeek | Baidu PaddlePaddle |
| Parámetros | 3.34B | 3.34B | 3.39B | 0.96B |
| Parámetros activos | No divulgado | No divulgado | No divulgado | No divulgado |
| Licencia | MIT | MIT | Apache 2.0 | Apache 2.0 |
| Papel / lanzamiento | Oct 2026 (informe) | Jun 2026 (arXiv) | Eneiro 2026 (arXiv) | Jun 2026 (arXiv) |
| Mecanismo de documento largo | SR-SWA, conjunto de referencia de 512 tokens | infer_multi de múltiples páginas, sin SR-SWA | No divulgado | No divulgado |
| MPDocBench en general | 84.6 (Baidu) | 61.9 (Baidu) | No se reportó | No se reportó |
| MarathonDocBench en general | 77.1 (Baidu) | 0.0 (Baidu) | No se reportó | No se reportó |
| Servicio | Transformers, SGLang personalizado | Transformers, vLLM, SGLang | Transformers, SGLang | PaddleOCR, Transformers |
Cuentas de parámetros y licencias de la página de Hugging Face de cada modelo. Puntuaciones de prueba de rendimiento del gráfico de Baidu>.
¿Cómo se ejecuta Unlimited OCR 2?
La tarjeta de modelo lista Transformers para pruebas rápidas y SGLang para servicio. En Transformers, infer maneja 1 página con tiling dinámico, llamado modo Gundam. infer_multi analiza cada página de un documento en 1 solicitud, por lo que el modelo mantiene el contexto entre páginas. La carga requiere trust_remote_code=True, que ejecuta código Python del repositorio.
SGLang serving utiliza una rueda personalizada de Baidu, y no SGLang de origen. Los horarios de ejemplo de Baidu distribuyen 10 páginas por ventana y reutilizan la cola KV de la ventana anterior. Las ventanas más pequeñas reducen el uso de memoria máxima, pero debilitan la fusión entre páginas. Baidu advierte que una configuración de sesgo por defecto puede provocar una asignación de 462 MiB y agotar la memoria.
Conclusiones clave
- Unlimited OCR 2 es un modelo de OCR de 3.34B, licenciado bajo MIT, desarrollado por Baidu.
- SR-SWA presta atención a un conjunto de referencia fijo de 512 tokens.
- Obtiene un puntaje de 77.1 en MarathonDocBench, en comparación con 33.7 del modelo siguiente.
- La jerarquía de encabezados es el punto débil, con un valor de 48.2 en documentos largos.
- Todos los números de referencia son propios de Baidu.
Echa un vistazo a la tarjeta de modelo, al informe técnico y al repo de GitHub. Además, no dudes en seguirnos en Twitter y no olvides unirte a nuestro subreddit de 150k+ ML y suscribirte a nuestro boletín informativo. ¡Espera! ¿Estás en Telegram? Ahora puedes unirte a nosotros en Telegram también.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub, su página de Hugging Face, el lanzamiento de un producto o un webinario, etc.? Conéctese con nosotros
El artículo Baidu abre su código fuente de Unlimited OCR 2 para la procesación de documentos de cien páginas apareció primero en MarkTechPost.