Baidu presentó Unlimited OCR 2, un modelo de inteligencia artificial de código abierto pensado para interpretar documentos de cientos de páginas. La compañía reportó 77,1 puntos en una prueba multipágina y sostiene que el sistema puede conservar texto, tablas, fórmulas, figuras y secuencias de lectura a lo largo de archivos extensos.

La publicación técnica describe un enfoque que busca reducir el costo de procesar documentos largos sin perder relaciones entre páginas. El anuncio, sin embargo, se apoya en resultados divulgados por la propia compañía, no en una evaluación independiente.

Un modelo abierto para documentos extensos

Unlimited OCR 2 cuenta con 3.340 millones de parámetros y admite una longitud máxima de posición de 131.072 tokens. Baidu indica que puede ejecutarse en una sola unidad de procesamiento gráfico CUDA con precisión BF16 y que lo probó en una NVIDIA A800 de 80 GB; los pesos en ese formato ocupan cerca de 6,7 GB.

Su arquitectura combina un codificador SAM ViT-B y CLIP-L con un decodificador de mezcla de expertos de 12 capas. En cada token, el sistema enruta el procesamiento a seis de 64 expertos, además de dos expertos compartidos, aunque Baidu no divulgó cuántos parámetros quedan activos durante la inferencia.

La herramienta recibe imágenes de páginas ordenadas y produce contenido estructurado, como texto, tablas, fórmulas, figuras, encabezados y secuencias de lectura. En el modo multipágina, cada página representa 273 tokens de imagen, una proporción que ayuda a dimensionar el costo de procesar archivos extensos.

SR-SWA busca contener el costo de leer cientos de páginas

El principal cambio técnico frente a su antecesor es SR-SWA, sigla de Sparse Reference Sliding Window Attention. Ese mecanismo comprime la atención texto-visual en un conjunto de referencias de tamaño fijo: la ficha del modelo usa como ejemplo un presupuesto de 512 tokens, con una ventana local de 128 y una selección de los 16 bloques más relevantes, cada uno compuesto por 32 tokens.

La propuesta apunta a que la latencia y la memoria asociadas a cada paso se mantengan casi constantes mientras crece el documento, en vez de obligar al modelo a recorrer una memoria de claves y valores cada vez mayor. Baidu describe este comportamiento como análisis de horizonte ilimitado dentro de una ventana de contexto finita.

La propia compañía advierte que la codificación de imágenes y el tiempo total de ejecución sí aumentan con la cantidad de páginas. Por eso, el avance de SR-SWA se concentra en la atención durante la decodificación: no elimina el trabajo adicional requerido para preparar más imágenes ni garantiza que cualquier documento pueda procesarse sin límites prácticos.

Los resultados reportados favorecen al modelo, con una debilidad concreta

Baidu comparó Unlimited OCR 2 en MPDocBench, orientado a documentos de decenas de páginas, y MarathonDocBench, pensado para archivos de cientos. MPDocBench-Parse es un conjunto público de 433 documentos y 3.246 páginas; las puntuaciones de MarathonDocBench citadas aquí proceden del reporte de Baidu.

Según el gráfico de clasificación publicado por la compañía y citado por MarkTechPost, Unlimited OCR 2 obtuvo 84,6 puntos en MPDocBench. Qwen3.8-Max registró 78,3 y Qwen-3.8-Flash-Next alcanzó 77,4, aunque las diferencias en algunas métricas individuales fueron más estrechas que el resultado general.

En MarathonDocBench, Baidu reportó 77,1 puntos para su modelo, frente a 33,7 de Kimi-K3 y 28,6 de Gemini-3.8-Flash. El contraste entre pruebas también es relevante: Qwen3.8-Max cayó de 78,3 a 22,9, mientras Unlimited OCR 2 perdió 7,5 puntos y su predecesor, Unlimited-OCR, obtuvo 0,0 en la prueba de cientos de páginas.

Las puntuaciones por tarea muestran fortalezas en texto, fórmulas y orden de lectura, pero también una debilidad concreta al reconstruir la jerarquía de encabezados. En MPDocBench y MarathonDocBench, respectivamente, el sistema logró 94,8 y 89,6 en texto; 89,4 y 87,9 en fórmulas; 92,3 y 85,3 en orden de lectura; 87,8 y 74,8 en tablas; y 60,1 y 48,2 en jerarquía de encabezados.

La cifra de 48,2 en encabezados es el puntaje más bajo de Unlimited OCR 2 en MarathonDocBench, un dato clave para quienes necesiten preservar la estructura de informes complejos.

Licencia MIT y herramientas de despliegue

Baidu publicó los pesos bajo licencia MIT y puso el código en GitHub, lo que permite examinar y adaptar el modelo conforme a las condiciones de esa licencia. En la comparación incluida en el reporte, Unlimited-OCR también aparece con licencia MIT, mientras DeepSeek-OCR-2 y PaddleOCR-VL-1.6 figuran bajo Apache 2.0.

La ficha recomienda Transformers para pruebas y SGLang para servir el modelo. En Transformers, la función infer procesa una página con teselado dinámico, denominado modo gundam, mientras infer_multi recibe las páginas de un documento en una sola solicitud para mantener contexto entre ellas.

La carga en Transformers requiere trust_remote_code=True, una opción que ejecuta código Python procedente del repositorio del modelo. Para despliegues con SGLang, el ejemplo de Baidu utiliza un paquete personalizado de la compañía y no la versión original del proyecto.

El ejemplo de servicio divide el procesamiento en ventanas de diez páginas y reutiliza la cola KV de la ventana anterior. Reducir el tamaño de esas ventanas puede bajar el uso máximo de memoria, pero también debilitar la fusión de información entre páginas; además, Baidu advierte que una configuración predeterminada de sesgo puede activar una asignación de 462 MiB y provocar falta de memoria.

Unlimited OCR 2 combina un tamaño relativamente compacto, una licencia abierta y un mecanismo diseñado para aliviar una de las limitaciones habituales del análisis de documentos extensos. Sus resultados más llamativos proceden de pruebas reportadas por Baidu, por lo que una evaluación independiente ayudaría a contrastar su ventaja frente a otros modelos.