Техническая суть: как модель «видит» бесконечность
Unlimited OCR 2 — это vision-language модель, построенная на базе архитектуры DeepSeek-OCR. В отличие от предыдущей версии, которая не смогла обработать длинные документы (0.0 баллов), новая версия использует механизм SR-SWA (Sparse Reference Sliding Window Attention). Эта схема сжимает внимание текста и изображений в фиксированный набор из 512 токенов-ссылок, что позволяет удерживать стоимость декодирования почти на постоянном уровне, несмотря на рост длины документа.
Модель весит около 6.7 ГБ в формате BF16 и требует всего одну GPU NVIDIA A800-80GB. Архитектура включает 12-слойный декодер с MoE (Mixture of Experts), где каждый токен маршрутизируется к 6 из 64 экспертов. Максимальная длина позиции составляет 131,072 токенов, что позволяет обрабатывать сотни страниц в одном запросе без потери контекста.
Результаты бенчмарков: разрыв с конкурентами
Самое важное достижение Unlimited OCR 2 — доминирование на датасете MarathonDocBench, который состоит из документов в сотни страниц. Модель показала результат 77.1, тогда как ближайший конкурент Kimi-K3 набрал лишь 33.7. Для сравнения, флагман Qwen3.8-Max, который лидировал на коротких документах, провалился на длинных, упав с 78.3 до 22.9 баллов.
| Модель | Параметры | MPDocBench (до 433 док.) | MarathonDocBench (сотни страниц) | Лицензия |
|---|---|---|---|---|
| Unlimited OCR 2 | 3.34B | 84.6 | 77.1 | MIT |
| Unlimited-OCR (v1) | 3.34B | 61.9 | 0.0 | MIT |
| Kimi-K3 | — | — | 33.7 | — |
| Qwen3.8-Max | — | 78.3 | 22.9 | — |
| Gemini-3.8-Flash | — | — | 28.6 | — |
Слабые места и нюансы
Несмотря на лидерство, у модели есть уязвимости. Наихудший показатель — распознавание иерархии заголовков (TEDS) на длинных документах: всего 48.2. Также падение качества с коротких документов (MPDocBench) на длинные (MarathonDocBench) составляет 7.5 балла, что лучше, чем у конкурентов, но указывает на сложность сохранения структуры.
Для запуска требуется использовать trust_remote_code=True в Transformers или кастомный wheel для SGLang. Baidu предупреждает о возможных проблемах с памятью (OOM) при стандартных настройках из-за смещения (bias) в 462 MiB, рекомендуя настраивать окна обработки (по 10 страниц на окно) для оптимизации потребления VRAM.
Почему это важно
Открытие Unlimited OCR 2 под лицензией MIT делает мощное решение для парсинга юридических файлов, книг и отчетов доступным для коммерческого использования. Способность обрабатывать сотни страниц за один проход без деградации контекста решает одну из главных проблем OCR-систем, заставляя пересмотреть подход к работе с длинными документами в enterprise-сегменте.
Бенчмарки
| Бенчмарк | Unlimited OCR 2 | Gemini-3.8-Flash | Kimi-K3 | Qwen-3.8-Flash-Next | Qwen3.8-Max | Unlimited-OCR |
|---|---|---|---|---|---|---|
| MPDocBench | 84.6% | — | — | 77.4% | 78.3% | 61.9% |
| MarathonDocBench | 77.1% | 28.6% | 33.7% | — | — | 0% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗