Ugrás a tartalomra
Neural Daily

ModellekHír

Baidu Unlimited OCR 2: több száz oldalas PDF-ek egyben

🇬🇧 Read this article in English →

A Baidu MIT licenccel kiadta a 3,34 milliárd paraméteres Unlimited OCR 2-t. Az új figyelemmechanizmus miatt a dekódolás ideje és memóriaigénye közel állandó marad, akárhány oldalas a dokumentum.

Írta: Mikola Máté Patrik · · 2 perc olvasás

Unlimited OCR 2 diagram comparing R-SWA visual token overload with SR-SWA human-like selection of visual tokens
Kép: Baidu · Sajtókép · Official image from the Unlimited OCR 2 model card · Forrás

Mi jelent meg?

A Baidu október 27-én kiadta az Unlimited OCR 2-t (Hugging Face). A 3,34 milliárd paraméteres dokumentumelemző modell MIT licencű, a BF16 súlyok nagyjából 6,7 GB-ot foglalnak. Az első verzió júniusban jelent meg, a DeepSeek-OCR továbbfejlesztéseként.

Mi az újdonság?

A kulcs az SR-SWA (Sparse Reference Sliding Window Attention). A modell nem a teljes, egyre hosszabb sorozatra figyel, hanem egy fix méretű, kb. 512 tokenes referenciakészletre: egy 128 tokenes helyi ablakra, illetve a legrelevánsabb 16 darab 32 tokenes blokkra. Emiatt a lépésenkénti késleltetés és a memória szinte független a dokumentum hosszától. Egy oldal 273 képi tokenbe kerül.

Mennyire jó?

A Baidu saját mérései szerint az MPDocBench (több tucat oldal) teszten 84,6 pontot ér el, a Qwen3.8-Max 78,3-at, a Qwen-3.8-Flash-Next 77,4-et. A több száz oldalas MarathonDocBench-en 77,1 pont a Kimi-K3 33,7-es és a Gemini-3.8-Flash 28,6-os eredményével szemben. A Qwen3.8-Max itt 22,9-re esik, az előd modell 0 pontot kapott (MarkTechPost).

Unlimited OCR 2 benchmark chart comparing MarathonDocBench and MPDocBench scores with other models
Baidu · Sajtókép · Official benchmark chart from the model card · Forrás

Forrás: Baidu. A MarathonDocBench és MPDocBench eredményei a modellkártyáról, saját mérés.

A leggyengébb rész a címsorhierarchia felismerése, itt 60,1, illetve 48,2 pont jött ki. Fontos: minden szám saját mérés, a MarathonDocBench pedig nem nyilvános.

Kinek érdemes?

Ha hosszú szerződéseket, jelentéseket vagy szkennelt archívumot dolgozol fel, ez az egyik legérdekesebb nyílt opció most. A modell Transformersszel gyors tesztre, egyedi SGLang builddel élesre fut. Nagyobb bevezetés előtt saját dokumentumokon mérd le, mert a benchmarkokat a gyártó maga futtatta.

    MI segítségével készült, szerkesztő ellenőrizte. Hogyan készülnek a cikkeink

    Szerkesztőségünk ellenőrizte és szerkesztette. Rólunk

    Kapcsolódó cikkek