Baidu lanza Unlimited OCR 2, un modelo abierto que lee cientos de páginas de una sola vez

Qué se puede hacer con él

• Un investigador podría procesar cientos de páginas de un libro o informe en una sola solicitud y recibir texto estructurado, tablas y fórmulas usando Unlimited OCR 2 ¹.
• Una empresa podría ejecutar el modelo con licencia MIT en su propio hardware GPU para analizar largos documentos legales o informes sin pagar inferencia en la nube ¹.
• Un desarrollador podría ajustar o integrar el modelo de código abierto en un flujo de trabajo de documentos, ya que tanto los pesos como el código están disponibles gratuitamente en GitHub ¹.

Figura del artículo: salida de texto OCR con referencias de caja delimitadora y etiquetas de imagen en formato estructurado

Figura: Wei et al., arXiv:2510.18234, CC BY 4.0

Qué lo hace diferente

Unlimited OCR 2 es un modelo de visión e lenguaje de 3,34 mil millones de parámetros ¹. Toma imágenes ordenadas de páginas y produce texto, tablas, fórmulas, figuras, encabezados y orden de lectura .

El truco que lo hace posible es una técnica llamada SR-SWA, siglas de Sparse Reference Sliding Window Attention (Atención de Ventana Deslizante con Referencias Esparcidas) ¹. Normalmente, cuando una IA procesa una secuencia larga, el trabajo crece de forma cuadrática: el doble de longitud significa aproximadamente cuatro veces el esfuerzo . Con 273 tokens de imagen por página, un documento de 100 páginas añade 27.300 tokens antes de que el modelo siquiera comience a generar salida .

SR-SWA, en cambio, comprime la atención en un conjunto fijo de 512 tokens de referencia operativos ¹. Una ventana local de 128 tokens se combina con una selección de los 16 mejores bloques de 32 tokens . Esto mantiene el coste por paso de decodificación y la memoria prácticamente constantes a medida que crece el documento . La codificación de imagen y el tiempo total de ejecución aún aumentan con la cantidad de páginas, pero el cuello de botella de la atención queda acotado .

El modelo utiliza un codificador SAM ViT-B y CLIP-L que alimenta un decodificador de 12 capas tipo mixture-of-experts, donde cada token se enruta a 6 de 64 expertos ¹. Baidu no revela cuántos parámetros están activos al mismo tiempo .

Cómo puntúa

En MPDocBench, que prueba decenas de páginas por documento, Unlimited OCR 2 obtiene 84,6 ¹. Qwen3.8-Max lo sigue con 78,3 .

En MarathonDocBench, que prueba cientos de páginas, obtiene 77,1 — comparado con 33,7 del siguiente modelo, Kimi-K3, y 28,6 para Gemini-3.8-Flash ¹. Qwen3.8-Max baja de 78,3 en documentos cortos a 22,9 en largos; Unlimited OCR 2 solo baja 7,5 puntos . Su predecesor, Unlimited-OCR, puntúa 0,0 en MarathonDocBench .

Las subpuntuaciones en MarathonDocBench incluyen 89,6 para texto, 87,9 para fórmulas, 85,3 para orden de lectura, 74,8 para tablas y 48,2 para jerarquía de encabezados, el área más débil ¹. Todos los números son reportados por Baidu y solo aparecen en una imagen de gráfico . No se encontró una versión pública de MarathonDocBench .

how well the model parses long documents into structured text. Más alto es mejor. Datos: Baidu (self-reported). Gráfico de Herald of AI.

Figura del artículo: este gráfico de barras compara modelos OCR en pruebas de referencia; una barra más alta significa una puntuación mayor y mejor rendimiento

Figura: Wei et al., arXiv:2510.18234, CC BY 4.0

Cómo ejecutarlo

Los pesos se publican bajo la licencia MIT con el código en GitHub ¹. La tarjeta del modelo recomienda Hugging Face Transformers para pruebas rápidas y SGLang para servicio en producción . La carga requiere configurar `trust_remote_code=True`, lo que ejecuta código Python desde el repositorio .

En modo de servicio, Baidu programa 10 páginas por ventana y reutiliza la cola del caché de clave-valor de la ventana anterior ¹. Las ventanas más pequeñas reducen la memoria máxima pero debilitan la fusión entre páginas . Baidu advierte que usar la configuración de sesgo predeterminada puede provocar que el sistema solicite una asignación de memoria de 462 MiB y agotar la memoria disponible . Las pruebas se ejecutaron en una única GPU NVIDIA A800-80GB en BF16, con pesos que suman aproximadamente 6,7 GB .

Comparación con modelos abiertos similares

Unlimited OCR 2 se suma a otros modelos OCR abiertos, incluyendo el propio Unlimited-OCR de Baidu, DeepSeek-OCR-2 y PaddleOCR-VL-1.6 de Baidu PaddlePaddle ¹. Entre ellos, solo Unlimited OCR 2 y Unlimited-OCR admiten un modo dedicado multi-página; DeepSeek-OCR-2 y PaddleOCR-VL-1.6 no reportan pruebas de documentos largos .

Esta noticia informa sobre una tendencia solo con fines informativos. No constituye asesoramiento ni recomendación para hacer nada de ello.

Los datos clave

• 3,34B de parámetros, funciona en una GPU NVIDIA A800 en BF16
• 77,1 en MarathonDocBench (cientos de páginas), vs 33,7 para Kimi-K3
• SR-SWA mantiene el coste por paso de atención casi plano a medida que crecen los documentos
• Licencia MIT, código en GitHub
• La jerarquía de encabezados es la subpuntuación más baja en 48,2

Fuentes

1. Baidu Open-Sources Unlimited OCR 2 for Hundred-Page Document Parsing — marktechpost.com