Baidu veröffentlicht Unlimited OCR 2 für lange Dokumente

Was veröffentlicht wurde und wann

Baidu hat Unlimited OCR 2 am 27. Oktober 2026 veröffentlicht. Das Modell für Bild- und Sprachverarbeitung soll Dokumentseiten in Text umwandeln. Mehrere Seiten können gemeinsam verarbeitet werden, sodass das Modell ihren Zusammenhang berücksichtigen kann. Das Modellprofil und das Projekt-Repository beschreiben die Veröffentlichung und enthalten Anwendungshinweise. Beide stammen jedoch vom selben Team: Es handelt sich um Primärdokumentation, nicht um zwei voneinander unabhängige Bestätigungen.

Der Name „Unlimited“ bezieht sich auf den Ansatz, Dokumente mit einem sehr langen Verarbeitungshorizont zu bearbeiten. Er belegt weder, dass Dokumente buchstäblich unendlich lang sein können, noch, dass sämtliche Kosten, der Speicherbedarf des Dienstes oder die Gesamtlaufzeit unabhängig von der Seitenzahl gleich bleiben. Die Beschreibung des Verfahrens erläutert, wie die Zahl der Aufmerksamkeitsreferenzen begrenzt werden soll. Was praktisch möglich ist, hängt aber auch von Konfiguration, Ressourcen und Ausführungsumgebung ab.

Wie Seiten und Dokumente verarbeitet werden

Die veröffentlichte Version unterstützt sowohl die Verarbeitung einer einzelnen Seite als auch die Eingabe mehrerer Seiten. Bei einer einzelnen Seite verwendet der dokumentierte Standardpfad eine dynamische Bildkachelung. Im beschriebenen Mehrseitenpfad wird jede Seite als Gesamtansicht übergeben; die Bilder werden in der Reihenfolge des Dokuments gesendet. Die Ausgabe enthält für jede Eingabeseite eine Seitenmarkierung, ebenfalls in derselben Reihenfolge. Diese Anordnung kann helfen, Bezüge zwischen Seiten zu erhalten. Sie belegt aber nicht, dass Layouts, Tabellen oder Beziehungen zwischen Abschnitten stets korrekt rekonstruiert werden.

Baidu beschreibt SR-SWA – Sparse Reference Sliding Window Attention – als zentrales Verfahren von Version 2. Dabei soll eine begrenzte Zahl von Arbeitsreferenzen für die Wechselwirkung zwischen Text und Bild beibehalten werden. Ziel ist es, das Wachstum des Aufmerksamkeitsaufwands bei sehr langen Sequenzen einzudämmen. Das beschreibt den vorgeschlagenen Entwurf, beweist aber nicht, dass die Gesamtlaufzeit eines umfangreichen Auftrags gleich bleibt: Auch das Einlesen und Umwandeln der Seiten, die Textgenerierung und die Infrastruktur beanspruchen Ressourcen.

Zugang, Ausführung und Kosten

Die Dokumentation nennt Hugging Face, ModelScope und Baidu Cloud als Bezugs- beziehungsweise Ausführungsplattformen. Außerdem beschreibt sie den Eigenbetrieb mit Transformers oder SGLang. Das unterscheidet einen herunterladbaren oder selbst ausgeführten Modellstand von einem gehosteten Dienst: Die Verfügbarkeit auf einer Plattform bestätigt für sich genommen weder Nutzungsbedingungen noch Preis, Region oder kommerzielle Verfügbarkeit eines konkreten Endpunkts. In den geprüften Informationen findet sich kein offizieller, spezifischer API-Preis für Unlimited OCR 2.

Die technische Anleitung zeigt einen Test mit Python 3.10 und einer NVIDIA A800 mit 80 GB sowie Abhängigkeiten und angepasste SGLang-Komponenten. Das ist ein veröffentlichtes Beispiel, keine allgemeingültige Angabe zu Mindestanforderungen. Die Dienstkonfiguration enthält ausdrücklich Grenzwerte für Parallelität, Tokens und Fenstergröße. Wer sie übernimmt, sollte Hardware, Dokumentlänge und gleichzeitige Anfragen berücksichtigen. Laut Dokumentation kann ein kleineres Fenster den maximalen Speicherbedarf reduzieren, zugleich aber den Kontext für das Zusammenführen von Textblöcken beeinträchtigen, die über eine Fenstergrenze hinweg fortgesetzt werden.

Was die veröffentlichten Ergebnisse aussagen

Die offiziellen Materialien nennen globale Punktzahlen von 84,6 von 100 auf MPDocBench und 77,1 von 100 auf MarathonDocBench. Diese Werte werden vom Entwickler für Unlimited OCR 2 angegeben. Die verfügbaren Belege enthalten keine unabhängige Wiederholung der Messungen; sie rechtfertigen daher keine verlässliche Aussage über andere Dokumente, Sprachen, Formate oder Konfigurationen. Ein Benchmarkwert fasst ein bestimmtes Testset und dessen Bewertungsregeln zusammen, nicht die Qualität jeder einzelnen verarbeiteten Seite.

In der Dokumentation wird die Version außerdem als führend bei Tests mit langen Dokumenten beschrieben. Solange hier kein unabhängig überprüfbarer Vergleich unter gleichen Bedingungen und mit denselben Versionen vorliegt, ist das als Aussage des Anbieters zu verstehen. Das Projekt verweist auf einen Artikel auf arXiv; die verfügbaren Auszüge enthalten jedoch nicht den Artikeltext und erlauben keine Feststellung seines Peer-Review-Status. Daher lassen sich daraus keine zusätzlichen Schlussfolgerungen ableiten, und eine Replikation der Ergebnisse ist nicht belegt.

Grenzen, die zu berücksichtigen sind

Das Beispiel für die Dienstausführung setzt ein globales Ausgabebudget für Tokens und berücksichtigt zusätzlich ein Limit pro Seite. Die Dokumentation weist darauf hin, dass diese und weitere Parameter das Verhalten beeinflussen. „Kann sehr lange Dokumente verarbeiten“ bedeutet deshalb nicht, dass jede Eingabe vollständig transkribiert wird. Ein zu knappes Ausgabebudget, schlechte Bildqualität, dichte Seiten oder Übergänge zwischen Fenstern können das Ergebnis beeinträchtigen. Wenn die Ausgabe als Grundlage für Entscheidungen oder für die Extraktion sensibler Daten dient, sollte sie mit der Quelle abgeglichen werden.

Ein Verfahren mit begrenzter Aufmerksamkeit ist auch keine Garantie für konstante Kosten des Gesamtsystems. Mit der Seitenzahl können weiterhin der Vorverarbeitungs- und Generierungsaufwand steigen; die Dienstkapazität hängt von Speicher, Parallelität und Parametern ab. Die aufgelisteten Plattformen klären weder die kommerziellen Bedingungen noch, ob eine bestimmte öffentliche API verfügbar ist. Die Veröffentlichung belegt daher das Erscheinen des Modells und die dokumentierten Ausführungswege. Für allgemeine Aussagen zur Genauigkeit, zu Produktionskosten und zu unabhängig bestätigter Leistung wären zusätzliche Belege nötig.

Weiter entdecken

Korrekturen und Transparenz

Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.