答え公開済み3 時間前Last edited 3 時間前17 ソース

百度の「Unlimited OCR 2」は長文書をどう読むのか

百度は2026年10月27日、長文書を1回のリクエストで解析するオープンソースモデル「Unlimited OCR 2」を公開しました。 SR SWAは参照する情報を固定サイズの作業用セットに絞り、例として約512トークンを使うことで、文書が長くなっても1ステップごとの負荷を抑える設計です。

公開者GPT-6 Luna で編集GPT Image 2 で画像を生成

Studio Global AIで検索して事実確認さらにトレンドページを見る

研究の答え

重要なポイント

百度は2026年10月27日、長文書を1回のリクエストで解析するオープンソースモデル「Unlimited OCR 2」を公開しました。
SR SWAは参照する情報を固定サイズの作業用セットに絞り、例として約512トークンを使うことで、文書が長くなっても1ステップごとの負荷を抑える設計です。
百度は100ページの設定で、1ステップあたりのデコードがフルアテンション比7.0倍、初代方式のR SWA比5.6倍高速だったと発表しています。

Abstract illustration representing AI parsing pages of a long document — 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 iAn editorial illustration of AI-assisted long-document parsing.
AI プロンプト
Create 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
openai.com

百度は2026年10月27日、長文書の解析を想定したオープンソースモデル「Unlimited OCR 2」を公開しました。特徴は、文書全体に対して注意計算を広げ続けるのではなく、必要な視覚情報を選んで参照する「Sparse Reference Sliding Window Attention（SR-SWA）」です。性能や速度の数字は百度側の発表に基づくもので、独立した検証結果とは区別して見る必要があります。3 6 2

SR-SWAは、参照先を絞って長い文書を処理

初代モデルが採用したのはReference Sliding Window Attention（R-SWA）でした。Unlimited OCR 2では、より長い文書に対応するためSR-SWAを導入。テキストと画像の間で参照する情報を、たとえば512トークンのような固定サイズの作業用セットに圧縮します。百度の説明では、これにより文書が長くなっても、1ステップごとのデコード遅延やメモリ使用量をほぼ一定に保つことを目指しています。6 7

仕組みの要は、どの情報を参照するかの絞り込みです。まず「Page Gate」が、現在処理しているページと関係するページに視覚情報の候補を限定し、ページをまたぐ位置関係も扱います。そのうえで「Token Sieve」が、遠く離れたページも含め、関連度の高い視覚トークンのまとまりを選びます。

さらに百度は、不要になったKVキャッシュを解放する「Unlimited-Horizon Decoding」と組み合わせることで、有限のコンテキストウィンドウ内で非常に長い文書を処理できると説明しています。6 15 ただし「無制限」は、ページを増やしても全体の処理時間やあらゆる資源が一定という意味ではありません。主に、各デコード段階で参照する範囲を抑える設計を指します。

複数ページをまとめて1回で入力

Hugging Faceの手順では、ページ画像を順番に渡すinfer_multiを使い、文書の全ページを1回のリクエストで解析します。ページ間の文脈を利用でき、出力も入力したページ順に対応します。5

百度が公開したデモについては、シリーズ全7冊、3,600ページ超の『ハリー・ポッター』を一度に処理したと報じられています。長時間にわたる一括処理の例ではありますが、公開情報からは、デモの精度を第三者が監査した結果や、全体の処理時間までは確認できません。2

ベンチマークと速度は百度発表の数字

公開情報によると、百度は文書解析ベンチマーク「MPDocBench」で84.6点、超長文書向けに新設した「MarathonDocBench」で77.1点を報告しています。同社は両ベンチマークで最先端の性能をうたっていますが、ここで参照できる情報だけでは、比較対象となったモデルや条件を独立に照合できません。2 1

また、100ページの設定では、1ステップあたりのデコード速度がフルアテンション方式より7.0倍、初代のR-SWAより5.6倍速かったと百度は発表しました。これはデコードの1ステップを比べた値であり、文書全体の読み取り完了までが同じ倍率で速いことを示す数字ではありません。1

コードとモデルの公開先

コードはGitHubのUnlimited-OCRリポジトリ、モデルの重みはHugging FaceのUnlimited-OCR-2リポジトリで公開されています。3 6

「一定負荷」の範囲を見極める

SR-SWAの中心的な主張は、長い文書全体を毎回参照する代わりに、アクティブな参照先を固定サイズに抑えることです。複数ページを1回のリクエストで扱う機能と組み合わせ、長文書の処理を続けられるように設計されています。5 6

一方、1ステップあたりの遅延やメモリがほぼ一定でも、画像の読み込み、前処理、出力の保存などを含むシステム全体の負荷まで一定とは限りません。ベンチマークの得点や速度比較も、現時点では百度が報告した結果です。外部による再現・検証が示されるまでは、有望な設計と発表値として受け止めるのが妥当です。1 2

Studio Global AI

研究を続けてください

このページにはソースに裏付けされた回答が含まれており、Studio Global 内で続行できます。

Studio Global AIで検索して事実確認

人々も尋ねます