Introducción: Baidu presenta Unlimited OCR 2 para el procesamiento de documentos extensos
Baidu ha publicado Unlimited OCR 2, un modelo abierto de visión y lenguaje diseñado para interpretar documentos de múltiples páginas y convertirlos en texto estructurado. El sistema cuenta con 3,34 mil millones de parámetros, se distribuye bajo licencia MIT y tiene su código disponible en GitHub.
Según la información publicada por MarkTechPost el 26 y 27 de octubre de 2026, el modelo incorpora una arquitectura de atención denominada Sparse Reference Sliding Window Attention (SR-SWA), orientada a controlar el costo de procesamiento de la atención a medida que aumenta la extensión del documento.
Esta tecnología permite trabajar con contenido que combina texto, tablas, fórmulas, figuras y encabezados, además de conservar información relacionada con el orden de lectura.
Qué es Unlimited OCR 2 y qué tipo de documentos procesa
Unlimited OCR 2 es un modelo de visión y lenguaje especializado en transformar imágenes de páginas en contenido estructurado. Es el sucesor de Unlimited-OCR, publicado en junio de 2026.
El modelo recibe imágenes de páginas organizadas en secuencia y procesa su contenido teniendo en cuenta diferentes elementos de la estructura documental:
- Texto: contenido textual presente en las páginas.
- Tablas: información organizada en estructuras tabulares.
- Fórmulas: expresiones matemáticas incluidas en los documentos.
- Figuras: elementos visuales que forman parte del contenido.
- Encabezados: títulos y divisiones que organizan la información.
- Orden de lectura: secuencia en la que debe interpretarse el contenido.
La capacidad de trabajar con páginas ordenadas permite procesar un documento completo mediante una solicitud multipágina, en lugar de limitar el procesamiento a una imagen individual. En este modo, cada página utiliza 273 tokens de imagen. El modelo admite una longitud máxima de posición de 131.072 tokens.
Cómo funciona SR-SWA, la arquitectura de atención de Unlimited OCR 2
Una de las principales novedades de Unlimited OCR 2 es Sparse Reference Sliding Window Attention (SR-SWA), un mecanismo diseñado para gestionar la atención entre la información textual y visual durante la generación de resultados.
La arquitectura comprime esa atención en un conjunto fijo de referencias de trabajo, evitando que el costo de atención por cada nuevo paso de decodificación aumente de la misma manera que la longitud del documento.
La tarjeta del modelo presenta una configuración de ejemplo con los siguientes parámetros:
- 512 tokens: conjunto de referencias de trabajo.
- 128 tokens: tamaño de la ventana local.
- Top-16: selección de los bloques considerados.
- 32 tokens: tamaño de cada bloque.
El objetivo es mantener casi constante el costo de atención por paso de decodificación mientras crece la cantidad de contenido procesado. Sin embargo, esta optimización se refiere específicamente a esa parte del procesamiento: la codificación de imágenes continúa dependiendo del número de páginas y el tiempo total de ejecución también aumenta cuando se incorporan más páginas.
Rendimiento: los resultados comunicados por Baidu en sus evaluaciones
Baidu ha publicado resultados de sus propias pruebas de rendimiento en MPDocBench y MarathonDocBench. Todas las puntuaciones siguientes corresponden a resultados autoinformados por Baidu en sus pruebas.
Resultados generales en MPDocBench
| Modelo | Puntuación comunicada |
|---|---|
| Unlimited OCR 2 | 84,6 |
| Qwen3.8-Max | 78,3 |
| Qwen-3.8-Flash-Next | 77,4 |
Resultados generales en MarathonDocBench
| Modelo | Puntuación comunicada |
|---|---|
| Unlimited OCR 2 | 77,1 |
| Kimi-K3 | 33,7 |
| Gemini-3.8-Flash | 28,6 |
Rendimiento por tipo de contenido
| Capacidad evaluada | MPDocBench | MarathonDocBench |
|---|---|---|
| Texto | 94,8 | 89,6 |
| Fórmulas | 89,4 | 87,9 |
| Orden de lectura | 92,3 | 85,3 |
| Tablas | 87,8 | 74,8 |
| Jerarquía de encabezados | 60,1 | 48,2 |
La principal debilidad identificada en estas cifras es la jerarquía de encabezados, que obtiene 60,1 puntos en MPDocBench y 48,2 en MarathonDocBench, frente a las puntuaciones comunicadas para texto, fórmulas y orden de lectura.
Cómo usar y desplegar Unlimited OCR 2 con Transformers y SGLang
Inferencia de una página con Transformers
En Transformers, el modelo incorpora la función infer, destinada al procesamiento de una página individual. La implementación requiere establecer trust_remote_code=True para utilizar el código personalizado asociado al modelo.
Procesamiento de documentos completos
Para documentos de múltiples páginas, Unlimited OCR 2 dispone de la función infer_multi, que permite procesar todas las páginas del documento dentro de una misma petición.
Despliegue mediante SGLang
Baidu también contempla una modalidad de ejecución con SGLang. Esta integración utiliza una rueda personalizada de SGLang proporcionada por Baidu, en lugar de la distribución estándar del proyecto. La información técnica incluye un ejemplo de procesamiento que utiliza ventanas de 10 páginas.
Requisitos de GPU y precisión
Unlimited OCR 2 admite ejecución con una sola GPU CUDA utilizando precisión BF16. Baidu informa que la ejecución se realizó en una NVIDIA A800 de 80 GB. Los pesos del modelo en BF16 ocupan aproximadamente 6,7 GB.
Baidu en contexto
Unlimited OCR 2 sucede a Unlimited-OCR, cuya publicación tuvo lugar en junio de 2026. Baidu distribuye esta nueva versión bajo licencia MIT y mantiene su código disponible en GitHub. La actualización incorpora SR-SWA como principal novedad arquitectónica para gestionar la atención durante el procesamiento de documentos extensos.
