martedì 27 ottobre 2026 EN · IT · ES
Herald of AI

AIGenerato Le notizie sull’AI per tutti, scritte dall’AI e spiegate in modo semplice. Modelli, tecnologia, cultura e le persone che ci sono dietro.

Nuovi modelli

Baidu lancia Unlimited OCR 2, un modello open che legge centinaia di pagine in una volta sola

Trasforma libri interi e lunghi report in testo strutturato, così chiunque abbia una GPU può elaborare documenti che solitamente creano problemi agli strumenti di intelligenza artificiale.

AIGenerato · Scritto dall’AI dalle fonti elencate sotto · Tradotto dall’AI dall’originale in inglese
Una vista ravvicinata di una pila di libri antichi e moderni con le pagine aperte in primo piano, che evoca un senso di conoscenza e storia.
Una vista ravvicinata di una pila di libri antichi e moderni con le pagine aperte in primo piano, che evoca un senso di conoscenza e storia. Foto di archivio · Photo: Marta Branco / Pexels

Cosa ci si potrebbe fare

  • Un ricercatore potrebbe elaborare centinaia di pagine da un libro o report in una singola richiesta e ottenere testo strutturato, tabelle e formule usando Unlimited OCR 2 1.
  • Un'azienda potrebbe eseguire il modello con licenza MIT sulla propria GPU per analizzare lunghi atti legali o report senza pagare l'inferenza nel cloud 1.
  • Uno sviluppatore potrebbe affinare o integrare il modello open-source in una pipeline di documenti, poiché sia i pesi che il codice sono disponibili gratuitamente su GitHub 1.

Figura dall'articolo: output del testo OCR con riferimenti alle bounding box e tag immagine in formato strutturato

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

Cosa lo rende diverso

Unlimited OCR 2 è un modello vision-language da 3,34 miliardi di parametri 1. Prende immagini ordinate delle pagine e restituisce testo, tabelle, formule, figure, titoli e ordine di lettura .

Il segreto che lo fa funzionare è una tecnica chiamata SR-SWA, che sta per Sparse Reference Sliding Window Attention (attenzione a finestra scorrevole con riferimenti sparsi) 1. Normalmente, quando un'intelligenza artificiale elabora una sequenza lunga, il lavoro cresce in modo quadratico — il doppio della lunghezza significa circa quattro volte lo sforzo . A 273 token immagine per pagina, un documento di 100 pagine aggiunge 27.300 token prima ancora che il modello inizi a scrivere l'output .

SR-SWA invece comprime l'attenzione in un insieme fisso di 512 token di riferimento lavorativi 1. Una finestra locale da 128 token è abbinata a una selezione dei migliori 16 blocchi da 32 token . Questo mantiene il costo e la memoria del decodifica per passo quasi stabili all'aumentare del documento . L'encoding delle immagini e il tempo totale di esecuzione crescono comunque con il numero di pagine, ma il collo di bottiglia dell'attenzione è limitato .

Il modello usa un encoder SAM ViT-B e CLIP-L che alimentano un decoder a mistura di esperti a 12 strati, dove ogni token instrada verso 6 dei 64 esperti 1. Baidu non rivela quanti parametri siano attivi contemporaneamente .

Come performa

Su MPDocBench, che testa decine di pagine per documento, Unlimited OCR 2 segna 84,6 1. Qwen3.8-Max segue a 78,3 .

Su MarathonDocBench, che testa centinaia di pagine, segna 77,1 — contro 33,7 per il modello successivo, Kimi-K3, e 28,6 per Gemini-3.8-Flash 1. Qwen3.8-Max scende da 78,3 sui documenti brevi a 22,9 su quelli lunghi; Unlimited OCR 2 cala solo di 7,5 punti . Il suo predecessore, Unlimited-OCR, segna 0,0 su MarathonDocBench .

I punteggi parziali su MarathonDocBench includono 89,6 per il testo, 87,9 per le formule, 85,3 per l'ordine di lettura, 74,8 per le tabelle e 48,2 per la gerarchia dei titoli — l'area più debole 1. Tutti i numeri sono auto-dichiarati da Baidu e appaiono solo in un'immagine di un grafico . Non è stata trovata una versione pubblica di MarathonDocBench .

MarathonDocBench Scores (Hundreds of Pages)
Unlimited OCR 277.1Kimi-K333.7Gemini-3.8-Flash28.6Qwen3.8-Max (long docs)22.9

how well the model parses long documents into structured text. Più alto è meglio. Numeri: Baidu (self-reported). Grafico di Herald of AI.

Figura dall'articolo: questo grafico a barre confronta i modelli OCR nei test di benchmark; una barra più alta indica un punteggio più alto e prestazioni migliori

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

Come eseguirlo

I pesi sono rilasciati sotto licenza MIT con il codice su GitHub 1. La scheda del modello consiglia Hugging Face Transformers per test rapidi e SGLang per il servizio in produzione . Il caricamento richiede di impostare `trust_remote_code=True`, che esegue codice Python dal repository .

In modalità di servizio, Baidu programma 10 pagine per finestra e riusa la coda della cache key-value della finestra precedente 1. Finestre più piccole riducono la memoria di picco ma indeboliscono la fusione tra pagine . Baidu avverte che usare la configurazione di bias predefinita può causare una richiesta di allocazione di memoria di 462 MiB e esaurire la memoria disponibile . I test sono stati eseguiti su una singola GPU NVIDIA A800-80GB in BF16, con pesi per un totale di circa 6,7 GB .

Confronto con modelli open simili

Unlimited OCR 2 si affianca ad altri modelli OCR open, tra cui lo stesso Unlimited-OCR di Baidu, DeepSeek-OCR-2 e PaddleOCR-VL-1.6 di Baidu PaddlePaddle 1. Tra questi, solo Unlimited OCR 2 e Unlimited-OCR supportano una modalità dedicata multi-pagina; DeepSeek-OCR-2 e PaddleOCR-VL-1.6 non riportano benchmark per documenti lunghi .

Questo articolo segnala una tendenza a scopo informativo. Non è un consiglio o un incoraggiamento a fare nessuna di queste cose.

I fatti principali

  • 3,34 miliardi di parametri, gira su una GPU NVIDIA A800 in BF16
  • 77,1 su MarathonDocBench (centinaia di pagine), contro 33,7 per Kimi-K3
  • SR-SWA mantiene il costo dell'attenzione per passo quasi stabile all'aumentare dei documenti
  • Licenza MIT, codice su GitHub
  • La gerarchia dei titoli è il punteggio parziale più debole a 48,2

Fonti

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