Baidu 27 октября открыла Unlimited OCR 2 — модель для превращения изображений многостраничных документов в текст с таблицами, формулами и разметкой. Веса и код доступны по лицензии MIT. Основное изменение — работа с сотнями страниц: предыдущая Unlimited OCR принимала не более 40.

Прежняя модель при разборе документа обращалась к изображениям всех страниц. Чем длиннее был файл, тем дороже обходился шаг генерации. Новый механизм внимания выбирает нужные страницы и фрагменты. Для экономии памяти документ обрабатывается последовательными перекрывающимися частями: информация о пограничной странице передаётся дальше, а ненужный кэш освобождается. Так сохраняется связь между частями без необходимости держать весь документ в памяти видеокарты.

В техническом отчёте Baidu новый метод снизил пиковый объём KV-кэша — промежуточной памяти модели — с 47 до 1,77 ГБ при обработке одной последовательности. Это размер именно кэша, а не вся память, необходимая для запуска. Пример в документации проверен на NVIDIA A800 с 80 ГБ памяти; наличие открытых весов само по себе не обещает работу на любой домашней видеокарте.

Для оценки авторы создали MarathonDocBench: 100 документов длиной от 103 до 300 страниц. Unlimited OCR 2 получила 77,06 балла по совокупной метрике разбора, ближайшая из сравниваемых моделей Kimi K3 — 33,74. Это испытание разработчика на собственном наборе, независимого воспроизведения пока нет. Прежнюю Unlimited OCR из этой проверки исключили из-за ограничения длины: ноль на обзорном графике нельзя считать измеренным результатом.

У экономии есть предел: авторы признают, что разреженное внимание не сохраняет глобальную информацию обо всём документе. Оценка иерархии заголовков составила лишь 48,20 балла; на отдельной проверке одиночных страниц новая версия также немного уступила прежней в распознавании структуры таблиц. Поэтому «Unlimited» означает способ продолжать разбор длинного файла, а не гарантированное понимание книги целиком или безошибочное восстановление её структуры.