Por Canuto  

Baidu publicó Unlimited OCR 2, un modelo de código abierto diseñado para analizar documentos de cientos de páginas. La compañía reportó 77,1 puntos en una prueba multipágina, aunque las cifras no constituyen una evaluación independiente.
***

  • El modelo tiene 3.340 millones de parámetros y se distribuye bajo licencia MIT.
  • Su mecanismo SR-SWA limita la atención a un conjunto de referencias de 512 tokens.
  • Baidu reportó 77,1 puntos en MarathonDocBench, pero la jerarquía de encabezados fue su resultado más débil.

Baidu presentó Unlimited OCR 2, un modelo de inteligencia artificial de código abierto pensado para interpretar documentos que pueden abarcar cientos de páginas. La herramienta recibe imágenes de páginas ordenadas y produce contenido estructurado, como texto, tablas, fórmulas, figuras, encabezados y secuencias de lectura, con el objetivo de conservar relaciones entre elementos a lo largo del archivo.

El principal cambio técnico frente a su antecesor es SR-SWA, un mecanismo de atención dispersa que busca limitar el costo de cada paso de decodificación a medida que crece el documento. En las cifras divulgadas por la compañía, el modelo obtiene una ventaja marcada en su benchmark de cientos de páginas; sin embargo, esos resultados son autorreportados.

Un modelo de visión y lenguaje 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 GPU CUDA con precisión BF16 y que probó el modelo 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.

El diseño mantiene elementos de la línea de DeepSeek-OCR, que Unlimited-OCR, la versión anterior de Baidu, buscó extender. El artículo técnico de DeepSeek-OCR describe un decodificador denominado DeepSeek3B-MoE-A570M, pero esa cifra de parámetros activos corresponde a ese modelo y no debe atribuirse a Unlimited OCR 2.

En el modo multipágina, cada página representa 273 tokens de imagen, una proporción que ayuda a dimensionar el problema de procesar archivos extensos. Por ejemplo, cien páginas agregan 27.300 tokens de entrada antes de que el modelo empiece a generar una respuesta, lo que puede volver costosa la atención convencional conforme aumenta el contexto.

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

La atención completa suele aumentar su costo de manera cuadrática con la longitud de la secuencia, mientras que durante la decodificación cada nuevo token consulta una caché de claves y valores que se amplía con el procesamiento. Esa dinámica puede elevar el uso de memoria y ralentizar la respuesta cuando el sistema debe considerar grandes volúmenes de contenido previo.

SR-SWA, sigla de Sparse Reference Sliding Window Attention, 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 busca 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 caché cada vez mayor. Baidu describe este comportamiento como análisis de horizonte ilimitado dentro de una ventana de contexto finita, una formulación que no significa que todo el procesamiento de un archivo tenga costo constante.

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 apunta específicamente a controlar 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.

Las pruebas favorecen al modelo, con cautelas sobre los datos

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 Baidu 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 benchmarks 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. Son resultados reportados por Baidu, no una verificación independiente.

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 matiz importante para quienes necesiten preservar la estructura de informes complejos. En MPDocBench, Qwen3.8-Max obtuvo 94,3 en texto y 89,2 en fórmulas, por lo que el liderazgo general reportado por Baidu no equivale a ganar cada subcategoría por un margen amplio.

Licencia, ejecución y límites prácticos

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; sus puntuaciones en los dos benchmarks citados no se reportan en esa tabla.

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, un requisito que los equipos técnicos deben considerar al evaluar compatibilidad y mantenimiento.

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 benchmarks reportados por Baidu, por lo que una evaluación independiente y la disponibilidad de información detallada sobre MarathonDocBench ayudarían a contrastar su ventaja frente a otros modelos.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados