Baidu Unlimited OCR 2: Революция в распознавании длинных документов

В мире искусственного интеллекта, где гонка за параметрами часто затмевает инженерную элегантность, выход Baidu Unlimited OCR 2 становится свежим глотком воздуха. Это не просто очередная итерация модели для распознавания текста; это фундаментальный сдвиг в подходе к обработке визуальной информации в контексте длинных документов. Представьте себе книгу на 500 страниц, сложный финансовый отчет или техническую спецификацию с десятками таблиц и формул. Традиционные системы OCR часто «забывают» начало документа, когда доходят до конца, или теряют структуру заголовков, превращая структурированный контент в бесформенную кашу. Baidu предлагает решение, которое обещает сохранять контекст на протяжении всего документа, используя инновационный механизм внимания.

Модель Unlimited OCR 2, открытая под лицензией MIT, демонстрирует впечатляющие результаты на бенчмарках, особенно в сценариях, где документ превышает стандартные лимиты контекста. За счет внедрения схемы разреженного внимания SR-SWA (Sparse Reference Sliding Window Attention), разработчикам удалось практически нивелировать рост вычислительных затрат при декодировании. Это означает, что обработка 100 страниц может быть столь же эффективной по времени на шаг, как и обработка 10, что открывает двери для реального применения в enterprise-сегменте, где объемы данных огромны.

В этой статье мы подробно разберем архитектуру модели, принцип работы ее ключевой инновации, сравним ее с конкурентами и рассмотрим практические аспекты развертывания, включая нюансы работы с памятью GPU. Мы также обсудим, что эти цифры значат для российского рынка и как локальные разработчики могут использовать этот инструмент.

01Что такое Unlimited OCR 2 и зачем она нужна?

Unlimited OCR 2 — это модель компьютерного зрения и языка (VLM) объемом 3,34 миллиарда параметров, разработанная Baidu. Ее главная задача — преобразование упорядоченных изображений страниц в структурированный текст. В отличие от простых OCR-систем, которые выдают только строки текста, Unlimited OCR 2 понимает структуру документа. Она распознает не только символы, но и таблицы, математические формулы, фигуры, заголовки и, что критически важно, порядок чтения (reading order). Это позволяет восстанавливать логическую структуру документа, а не просто его визуальное представление.

Модель пришла на смену первой версии Unlimited-OCR, выпущенной в июне 2026 года, которая сама была ответом на развитие DeepSeek-OCR. Однако именно вторая версия стала прорывом в работе с «длинными» документами. Архитектурно модель сохраняет стиль, знакомый по DeepSeek-OCR: она использует энкодер SAM ViT-B в сочетании с CLIP-L для извлечения визуальных признаков, которые затем подаются в декодер на основе смеси экспертов (Mixture-of-Experts, MoE).

Декодер состоит из 12 слоев. Каждый токен маршрутизируется к 6 из 64 доступных экспертов, а также взаимодействует с 2 общими экспертами. Такая архитектура позволяет модели эффективно обрабатывать сложные визуальные паттерны, не перегружая вычислительные ресурсы пропорционально количеству параметров. Важно отметить, что Baidu не раскрывает точное количество «активных» параметров, которые задействованы в каждом шаге декодирования, но общий вес модели составляет около 6,7 ГБ в формате BF16, что делает ее относительно легкой для современных GPU.

В режиме обработки нескольких страниц (multi-page mode) каждая страница преобразуется в 273 визуальных токена. Это означает, что документ из 100 страниц генерирует 27 300 входных токенов до начала генерации текста. Максимальная длина позиции (max position length) составляет 131 072 токенов, что теоретически позволяет обрабатывать документы колоссального объема, если бы не проблема вычислительной сложности внимания.

02Магия SR-SWA: Как модель «помнит» всё

Ключевой инновацией Unlimited OCR 2 является механизм SR-SWA (Sparse Reference Sliding Window Attention). Чтобы понять его важность, нужно взглянуть на проблему, с которой борются разработчики LLM и VLM. Стандартный механизм полного внимания (Full Attention) имеет квадратичную сложность относительно длины последовательности. Это значит, что при декодировании каждый новый токен должен «просканировать» весь предыдущий кэш ключей и значений (KV cache). При работе с длинными документами, где количество визуальных токенов от изображений страниц огромно, это приводит к экспоненциальному росту задержки и потребления памяти.

SR-SWA решает эту проблему, сжимая внимание между текстом и визуальной информацией в фиксированный набор рабочих ссылок (working references). Согласно технической документации модели, размер этого набора составляет 512 токенов. Конфигурация работает следующим образом: используется локальное окно размером 128 токенов, поверх которого применяется селекция top-16 над блоками по 32 токена. 16 блоков по 32 токена как раз дают 512 токенов бюджета.

Этот подход контрастирует с предыдущими методами, которые либо обрезали документ, либо теряли контекст старых страниц. SR-SWA позволяет модели «запоминать» важные структурные элементы из начала документа, обращаясь к ним через фиксированный пул ссылок, даже когда она обрабатывает последние страницы книги.

03Бенчмарки: Лидерство в MarathonDocBench

Результаты тестирования Unlimited OCR 2 впечатляют, особенно если смотреть на сравнение с другими моделями. Baidu протестировала модель на двух основных бенчмарках: MPDocBench (документы с десятками страниц) и MarathonDocBench (документы со сотнями страниц). Важно отметить, что все цифры являются самоотчетными и представлены в виде графика на сайте Baidu, поэтому независимая верификация пока затруднена.

На MPDocBench, который включает 433 документа и 3 246 страниц, Unlimited OCR 2 набрала 84,6 балла. Для сравнения, Qwen3.8-Max показал 78,3, а Qwen-3.8-Flash-Next — 77,4. Однако настоящая драма разворачивается на MarathonDocBench. Здесь Unlimited OCR 2 набрала 77,1 балла. Следующая по рейтингу модель, Kimi-K3, получила лишь 33,7 балла, а Gemini-3.8-Flash — 28,6. Разрыв в более чем 40 баллов — это не просто преимущество, это пропасть.

Интересно наблюдать за «падение» других моделей. Qwen3.8-Max, который лидировал на коротких документах (78,3), упал до 22,9 на длинных. Unlimited OCR 2 потеряла всего 7,5 балла (с 84,6 до 77,1). Предшественник, Unlimited-OCR, на MarathonDocBench показал 0,0, что говорит о полной неспособности первой версии работать с длинными контекстами без новой архитектуры внимания.

Разбор по подкатегориям показывает сильные и слабые стороны. Текст распознается отлично: 94,8 на MPDocBench и 89,6 на MarathonDocBench. Формулы также обрабатываются хорошо (89,4 / 87,9). Однако структура заголовков (Heading hierarchy, метрика TEDS) остается слабым местом: 60,1 на коротких документах падает до 48,2 на длинных. Это логично, так как восстановление иерархии заголовков на протяжении сотен страниц требует идеального понимания глобальной структуры, с которой даже SR-SWA справляется не идеально.

04Сравнение с конкурентами: Open Source ландшафт

Unlimited OCR 2 вступает в борьбу с другими открытыми моделями, такими как DeepSeek-OCR-2 и PaddleOCR-VL-1.6. Все они имеют схожий размер параметров (от 0,96B до 3,39B), но различаются в подходах к обработке длинных документов.

DeepSeek-OCR-2, выпущенный в январе 2026 года, использует лицензию Apache 2.0. Однако в его описании не раскрыт механизм работы с длинными документами, аналогичный SR-SWA. PaddleOCR-VL-1.6 от Baidu PaddlePaddle (выпущен в июне 2026) имеет меньший размер (0,96B параметров) и также не имеет специализированного механизма для длинных документов в публичной документации. Это делает Unlimited OCR 2 уникальным предложением в нише open-source решений для сложного документооборота.

Таблица ниже суммирует ключевые различия:

05Как запустить Unlimited OCR 2: Практическое руководство

Для разработчиков, желающих протестировать модель, Baidu предоставляет два основных пути: использование библиотеки Transformers для быстрых тестов и SGLang для продакшн-сервинга. Важно понимать, что модель требует специфических настроек.

В режиме Transformers функция infer обрабатывает одну страницу с динамическим тайлингом (так называемый «gundam mode»). Для обработки всего документа за один запрос используется функция infer_multi, которая сохраняет кросс-страничный контекст. При загрузке модели обязательно необходимо указать trust_remote_code=True, так как репозиторий содержит пользовательский код, который должен быть выполнен для инициализации модели. Это стандартная практика для Hugging Face, но требует осторожности при работе с неизвестными репозиториями.

Для продакшн-использования Baidu рекомендует SGLang. Однако здесь есть нюанс: используется кастомное колесо (wheel) от Baidu, а не официальный upstream SGLang. Пример конфигурации предполагает планирование 10 страниц на одно окно (window) с повторным использованием хвоста KV-кэша предыдущего окна. Это позволяет оптимизировать использование памяти.

Меньшие окна снижают пиковое потребление памяти, но могут ухудшить качество объединения кросс-страничного контекста. Это компромисс, который разработчикам придется балансировать в зависимости от доступных ресурсов и требований к точности.

06Что это значит на практике?

Выход Unlimited OCR 2 знаменует собой важный этап в эволюции OCR-технологий. Раньше распознавание текста было изолированной задачей: отсканировал страницу, получил текст. Теперь, с появлением VLM, способных понимать структуру и контекст, OCR становится частью более широкого конвейера обработки документов. Способность модели обрабатывать сотни страниц за один запрос с сохранением структуры заголовков и таблиц открывает возможности для автоматизации анализа юридических документов, научных статей, финансовых отчетов и архивных материалов.

Для российского рынка это особенно актуально. Учитывая доступность модели под лицензией MIT и возможность локального запуска на отечественных или доступных GPU (при условии оптимизации через SGLang или vLLM, если будет портирована), российские компании могут внедрять такие решения для обработки внутренних документов без риска утечки данных в облачные сервисы. Однако стоит учитывать, что модель обучалась преимущественно на латинице и, возможно, китайском языке. Работа с кириллицей потребует дополнительной проверки или дообучения, хотя базовая архитектура VLM часто хорошо переносит мультиязычность.

Слабые места модели, такие как иерархия заголовков, указывают на то, что задача не решена полностью. Но прогресс от 0.0 до 77.1 на MarathonDocBench говорит о том, что направление верное. В ближайшие месяцы мы, вероятно, увидим форки и оптимизации этой модели для специфических задач, а также сравнения с другими open-source решениями, которые появятся в ответ на успех Baidu.

В заключение, Unlimited OCR 2 — это мощный инструмент, который стоит добавить в свой стек, если вы работаете с длинными документами. Ее архитектура SR-SWA предлагает элегантное решение для проблемы масштабируемости внимания, а открытая лицензия делает ее доступной для сообщества. Следите за обновлениями в репозитории GitHub и техническим отчетом, чтобы быть в курсе новых оптимизаций и улучшений.

Источник: MarkTechPost ↗