AnswersPublished16 sources
Baidu Unlimited OCR 2 sází na chytré „okno“ pro dlouhé dokumenty
Unlimited OCR 2 využívá Sparse Reference Sliding Window Attention (SR SWA), která omezuje aktivní pozornost na pevně velkou sadu referencí, například 512 tokenů. Baidu uvádí v testu se 100stránkovými dokumenty 7× rychlejší dekódování jednoho kroku oproti plné pozornosti a 5,6× oproti starší metodě R SWA.
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Unlimited OCR 2 využívá Sparse Reference Sliding Window Attention (SR SWA), která omezuje aktivní pozornost na pevně velkou sadu referencí, například 512 tokenů.
- Baidu uvádí v testu se 100stránkovými dokumenty 7× rychlejší dekódování jednoho kroku oproti plné pozornosti a 5,6× oproti starší metodě R SWA.
- Kód je dostupný na GitHubu a váhy modelu na Hugging Face; zveřejněná skóre a výkonnostní srovnání zatím nejsou nezávislým potvrzením.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Baidu’s Unlimited OCR 2, open-sourced as reported on October 28, 2026, and how does it advance the original Unlimited-OCR released i. Article summary: Baidu’s Unlimited OCR 2 is an open-source, end-to-end document-parsing model designed to process extremely long documents in a single request using bounded working attention, rather than a context that grows with every p. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Baidu 27. října 2026 zveřejnilo Unlimited OCR 2, otevřený model určený ke čtení a parsování dlouhých dokumentů v jediném požadavku. Jeho hlavní novinkou je Sparse Reference Sliding Window Attention (SR-SWA): místo toho, aby model rozšiřoval pozornost napříč celým dokumentem, pracuje s omezeným počtem referencí. Baidu uvádí slibné výsledky testů i vyšší rychlost, jde však o firemní údaje, nikoli o nezávislé ověření. 3
6
2
Co přináší druhá verze
První Unlimited OCR používalo metodu Reference Sliding Window Attention (R-SWA). Verze 2 ji rozvíjí pomocí SR-SWA, která podle popisu projektu zmenšuje interakce mezi textem a obrazovými informacemi na pevně velkou pracovní sadu, například 512 tokenů. Cílem je udržet latenci dekódování jednotlivého kroku a využití paměti téměř beze změny i při růstu délky dokumentu. 6
7
SR-SWA přitom nejprve zúží okruh relevantních stránek: takzvaná Page Gate vybírá stránky, které mohou být užitečné pro právě zpracovávanou část. Následně Token Sieve vybírá nejvýše hodnocené vzdálené bloky vizuálních tokenů, aby zachytil i souvislosti napříč dokumentem. Jde o popis architektury modelu; jeho účinnost jako celku je třeba odlišit od nezávisle ověřených výsledků.
Podle návodu na Hugging Face lze stránkové obrázky předat v pořadí dokumentu funkci infer_multi. Model je pak zpracuje v jednom požadavku a může využívat kontext mezi stránkami. 5 Baidu tento přístup popisuje jako dekódování s neomezeným horizontem.
1
„Neomezený“ zde ale neznamená, že výpočetní čas nebo všechny nároky na zdroje zůstanou stejné bez ohledu na počet stran. Jde o tvrzení, že aktivní sada pozornostních referencí může zůstat omezená; samo o sobě to nezaručuje přesné zpracování libovolného dokumentu ani konstantní dobu zpracování celého souboru.
Co Baidu uvádí o rychlosti a přesnosti
Souhrn zprávy o vydání modelu uvádí skóre 84,6 v MPDocBench a 77,1 v MarathonDocBench, novém testu zaměřeném na parsování velmi dlouhých dokumentů. Baidu výsledky označuje za špičkové. Dostupné podklady zde ale neuvádějí dost podrobností pro nezávislé srovnání s konkrétními konkurenčními modely. 2
1
Ve scénáři se 100 stranami Baidu dále hlásí, že dekódování jednotlivého kroku bylo 7,0× rychlejší než při plné pozornosti a 5,6× rychlejší než při použití R-SWA. Tato čísla se týkají jednoho kroku dekódování, nikoli celkové doby potřebné ke zpracování celého dokumentu. 1
V šířeném videu měl model zpracovat všech sedm knih o Harrym Potterovi, tedy více než 3 600 stran, během jednoho běhu. Ukázka ilustruje zamýšlené použití na dlouhém dokumentu, dostupné informace však nedokládají nezávisle auditované skóre přesnosti ani úplnou dobu běhu. 2
Kde model najít
Kód projektu je zveřejněn v repozitáři Unlimited-OCR na GitHubu, váhy modelu najdete v repozitáři Unlimited-OCR-2 na Hugging Face. 3
6
Co výsledky dokazují — a co ne
Podstatou návrhu je omezení aktivní pozornostní sady pomocí SR-SWA a možnost zpracovat seřazené obrázky více stran v jednom požadavku. 5
6 To ale samo o sobě nedokazuje konstantní spotřebu paměti celého systému ani neměnnou dobu zpracování od začátku do konce. K tomu by bylo nutné měřit celý proces, nejen jednotlivé kroky dekódování nebo samotnou pozornost.
Skóre benchmarků, označení výsledků za špičkové i rychlostní srovnání jsou v dostupných zdrojích uváděny jako výsledky Baidu, nikoli jako nezávislé evaluace. Jsou užitečným vodítkem k tomu, jaký výkon firma deklaruje, jejich reprodukce nezávislými týmy však zůstává důležitá. 1
2
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Baidu Unlimited OCR 2 sází na chytré „okno“ pro dlouhé dokumenty"?
Unlimited OCR 2 využívá Sparse Reference Sliding Window Attention (SR SWA), která omezuje aktivní pozornost na pevně velkou sadu referencí, například 512 tokenů.
What are the key points to validate first?
Unlimited OCR 2 využívá Sparse Reference Sliding Window Attention (SR SWA), která omezuje aktivní pozornost na pevně velkou sadu referencí, například 512 tokenů. Baidu uvádí v testu se 100stránkovými dokumenty 7× rychlejší dekódování jednoho kroku oproti plné pozornosti a 5,6× oproti starší metodě R SWA.
What should I do next in practice?
Kód je dostupný na GitHubu a váhy modelu na Hugging Face; zveřejněná skóre a výkonnostní srovnání zatím nejsou nezávislým potvrzením.
Sources
huggingface.coREADME.md · baidu/Unlimited-OCR-2 at main
github.comGitHub - baidu/Unlimited-OCR: Unlimited OCR Works: Welcome the Era of One-shot Long-horizon Parsing.
news.supwil.comOctober 27, 2026 · AI & Tech Daily Digest - Swil-News