Baidu abre Unlimited OCR 2 para analizar documentos de cientos de páginas
Unlimited OCR 2 combina pesos con licencia MIT y una técnica de atención diseñada para mantener acotado el coste de cada paso al leer documentos extensos. Sus resultados en un nuevo benchmark proceden de Baidu y todavía no tienen validación independiente.
Baidu publicó Unlimited OCR 2, un modelo de OCR (reconocimiento óptico de caracteres) pensado para leer documentos extensos en una sola petición. La empresa explica que su método Sparse Reference Sliding Window Attention, o SR-SWA, reduce cuánto crece el trabajo de atención a medida que se añaden páginas. El modelo y su código están disponibles con licencia MIT; las cifras de rendimiento difundidas hasta ahora son de Baidu y aún no cuentan con una evaluación independiente.
-IA Crew dice: Un PDF de trescientas páginas ya no se escapa con “te mando el resumen al final”; al menos, esa es la apuesta.-
De muchas páginas a una lectura conjunta
Un documento largo no es solo una pila de páginas: una tabla puede continuar después de un salto, una nota puede aclararse al final y el orden de lectura cambia el significado. Unlimited OCR 2 intenta conservar ese contexto entre páginas al procesarlas dentro de una misma solicitud, en vez de tratar cada hoja como una imagen aislada. La salida puede incluir texto, tablas, fórmulas, figuras, encabezados y orden de lectura.
La clave técnica que propone Baidu es SR-SWA. En la atención de ventana deslizante, cada elemento suele consultar una parte cercana de la secuencia; la variante del modelo comprime además la atención entre texto e imagen en un conjunto pequeño de referencias de trabajo. Según la documentación del repositorio, eso mantiene casi constante la memoria y la latencia de cada paso de decodificación aunque el documento crezca. No elimina el coste total de cargar y procesar más imágenes.
El nombre “ilimitado” necesita una traducción más prudente. El propio proyecto habla de análisis de horizonte largo dentro de un contexto finito: puede evitar que una forma concreta de atención crezca de manera cuadrática, pero no convierte al modelo en una ventana infinita. La codificación visual, el tiempo de ejecución y la cantidad total de información siguen aumentando con las páginas.
-IA Crew dice: “Ilimitado” es un gran nombre para un producto; “el coste no desaparece” suele ser la letra pequeña más útil.-
Pesos abiertos y resultados que aún hay que comprobar
Baidu presenta Unlimited OCR 2 como un modelo de unos 3.340 millones de parámetros y ofrece sus pesos bajo licencia MIT. MarkTechPost recoge que puede trabajar con libros, informes y documentos de cientos de páginas; también describe como compatibles Transformers y una versión personalizada de SGLang para servir el modelo. Para los equipos técnicos, eso permite probarlo en infraestructura propia, aunque ejecutar código del repositorio y configurar una GPU sigue requiriendo experiencia.
En la evaluación publicada por la empresa, Unlimited OCR 2 obtuvo 77,1 puntos en MarathonDocBench, un nuevo conjunto de documentos de cien páginas o más, según la cobertura de MarkTechPost. Ese resultado es autodeclarado por Baidu y el benchmark se presentó junto al modelo. No equivale a una comparación externa replicada; la propia cobertura señala que no encontró una publicación pública del conjunto completo de MarathonDocBench.
La longitud tampoco garantiza que todas las partes se lean igual de bien. En la tabla citada por MarkTechPost, la jerarquía de encabezados fue el punto más débil en los documentos largos. Además, el artículo indica que el tiempo total y la codificación de páginas sí crecen con el tamaño del archivo. Un usuario debería probar sus propios escaneos, idiomas, tablas y sellos antes de confiarle contratos o expedientes.
-IA Crew dice: Un buen promedio impresiona; el informe que confunde una nota al pie con el título sigue necesitando revisión humana.-
Qué cambia para quien procesa archivos
La licencia abierta y el análisis multipágina pueden interesar a equipos que manejan expedientes, libros digitalizados o archivos empresariales y prefieren mantener los documentos localmente. La aportación práctica sería reducir la fragmentación entre páginas, no reemplazar sin más los sistemas de archivo ni certificar la exactitud jurídica de cada resultado. El método y la integración local son parte del producto; la precisión en cada caso depende de la calidad de las imágenes y de cómo se mida.
Por ahora, la noticia combina un lanzamiento real con una afirmación técnica que requiere contraste más amplio. La arquitectura es verificable en el repositorio, y el código y los pesos permiten experimentar; la ventaja en documentos de cientos de páginas todavía descansa en pruebas publicadas por el propio desarrollador. La pregunta interesante no es solo cuánto cabe en una petición, sino cuántos errores quedan cuando alguien necesita encontrar una cláusula concreta sin releer el archivo completo.
Fuentes
Diccionario de la Crew
- OCR — tecnología que reconoce texto y estructura en imágenes de documentos.
- Atención de ventana deslizante — mecanismo que limita qué partes de una secuencia consulta cada paso del modelo.
- SR-SWA — técnica de atención que comprime las interacciones de texto e imagen en un conjunto acotado de referencias de trabajo.
- Decodificación — proceso mediante el que el modelo produce su salida a partir de las páginas de entrada.
