Qué se ha lanzado y cuándo
Baidu publicó Unlimited OCR 2 el 27 de octubre de 2026. Es un modelo de visión y lenguaje pensado para convertir páginas de documentos en texto, incluidas páginas que se envían juntas para procesarlas con contexto entre ellas. La ficha del modelo y el repositorio del proyecto describen el lanzamiento y muestran instrucciones de uso, pero ambos pertenecen al mismo equipo: son documentación primaria, no dos confirmaciones independientes.
El nombre «Unlimited» alude a la propuesta de procesar documentos con un horizonte muy largo. No demuestra que el sistema admita documentos de longitud literalmente infinita ni que todos los costes, la memoria del servicio o el tiempo total permanezcan constantes al aumentar el número de páginas. La descripción del mecanismo explica una estrategia para limitar el conjunto de referencias de atención; el alcance práctico depende también de la configuración, los recursos y la ejecución.
Cómo procesa páginas y documentos
La versión publicada admite una página individual y una entrada multipágina. Para una página, la ruta de inferencia predeterminada usa segmentación dinámica de la imagen; en la ruta multipágina documentada, cada página se presenta como una vista global y las imágenes se envían en el orden del documento. La salida incluye un marcador de página por entrada, también en ese orden. Esta organización puede ayudar a conservar referencias entre páginas, pero no prueba que todos los elementos de diseño, las tablas o las relaciones entre secciones se reconstruyan correctamente.
Baidu presenta SR-SWA —atención de ventana deslizante con referencias dispersas— como el mecanismo central de la versión 2. Según su descripción, mantiene un conjunto acotado de referencias de trabajo para las interacciones entre texto y visión. La intención es contener el crecimiento de la atención en secuencias muy largas. Esa explicación describe el diseño propuesto; por sí sola no establece que la latencia total de un trabajo extenso sea invariable, porque la lectura, la conversión de páginas, la generación de salida y la infraestructura también consumen recursos.
Dos rutas de entrada documentadas
| Caso | Preparación de entrada | Detalle relevante |
|---|---|---|
| Una página | Imagen de la página | La inferencia descrita usa segmentación dinámica de forma predeterminada. |
| Varias páginas | Imágenes en orden de página | La ruta multipágina las procesa en una solicitud; la configuración documentada usa una vista global por página. |
| Conversión del PDF a imágenes | El ejemplo del proyecto convierte cada página antes de enviar las imágenes al modelo. |
Acceso, ejecución y coste
La documentación enumera disponibilidad en Hugging Face, ModelScope y Baidu Cloud, y describe ejecución propia mediante Transformers o SGLang. Eso permite distinguir la descarga o ejecución del modelo de un servicio alojado: la presencia de una versión en una plataforma no confirma por sí misma las condiciones de uso, el precio, la región o la disponibilidad comercial de un endpoint concreto. En la información consultada no consta una tarifa oficial específica para la API de Unlimited OCR 2.
La guía técnica muestra una prueba con Python 3.10 y una NVIDIA A800 de 80 GB, además de dependencias y componentes de SGLang adaptados. Ese entorno es un ejemplo publicado, no una declaración de requisito mínimo universal. La configuración de servicio contiene límites explícitos de concurrencia, tokens y tamaño de ventana; quienes la adopten deben valorar su hardware, la longitud de los documentos y el volumen simultáneo. También se indica que reducir la ventana puede disminuir el pico de memoria, a cambio de perder contexto para fusionar bloques que continúan al otro lado de una frontera de ventana.
Flujo práctico para una prueba controlada
- 01Separar un conjunto representativo de documentos y conservar sus imágenes de origen.
- 02Si se parte de PDF, convertir cada página a imagen y mantener el orden original.
- 03Elegir la ruta de una página o multipágina y registrar el modo de recorte y los límites de tokens usados.
- 04Comparar la salida con el documento fuente, revisando especialmente cifras, tablas, encabezados y continuidad entre páginas.
- 05Medir recursos y errores con el mismo entorno antes de aumentar la concurrencia o el tamaño de las ventanas.
Qué indican los resultados publicados
El material oficial comunica puntuaciones globales de 84,6 sobre 100 en MPDocBench y 77,1 sobre 100 en MarathonDocBench. Son cifras presentadas por el desarrollador para Unlimited OCR 2; la evidencia disponible no incluye una reproducción independiente de esas mediciones ni permite tratarlas como una garantía de resultados en otros documentos, idiomas, formatos o configuraciones. La cifra de un benchmark resume su propio conjunto y sus reglas de evaluación, no la calidad de cada página procesada.
La documentación también presenta la versión como líder en pruebas de documentos largos. Esa caracterización debe entenderse como una afirmación del proveedor mientras no se disponga aquí de una comparación independiente verificable con las mismas condiciones y versiones. El proyecto cita un artículo en arXiv, pero el material de lectura disponible no incluye el contenido del artículo ni permite establecer su estado de revisión por pares. Por tanto, no corresponde atribuirle conclusiones adicionales ni afirmar que los resultados se hayan replicado.
Límites que conviene tener presentes
El ejemplo de inferencia de servicio fija un máximo global de tokens de salida y contempla un máximo por página; la documentación advierte que estos topes y otros parámetros afectan al funcionamiento. Por eso, «puede analizar documentos muy largos» no significa que cualquier entrada vaya a producir una transcripción completa. Un presupuesto de salida insuficiente, imágenes de baja calidad, páginas densas o cortes entre ventanas pueden afectar el resultado. La salida debe contrastarse con la fuente, sobre todo cuando se usará para decisiones o extracción de datos sensibles.
Tampoco debe confundirse un mecanismo de atención acotada con una garantía de coste constante para todo el sistema. El número de páginas todavía puede aumentar el trabajo de preprocesamiento y generación; la capacidad de servicio depende de memoria, concurrencia y parámetros. La disponibilidad en las plataformas enumeradas no resuelve las condiciones comerciales ni la existencia de una API pública específica. En consecuencia, el anuncio confirma la publicación y las vías de ejecución documentadas, mientras que la exactitud general, el coste de producción y el rendimiento independiente requieren evidencia distinta.
Qué se sabe y qué no queda establecido
| Aspecto | Lo documentado | Lo que no demuestra |
|---|---|---|
| Lanzamiento | Publicación anunciada el 27 de octubre de 2026. | Validación independiente de capacidades. |
| Procesamiento largo | Baidu describe SR-SWA y una ruta multipágina. | Documentos infinitos o latencia total constante. |
| Benchmark | El proveedor comunica puntuaciones globales. | Rendimiento garantizado en otros datos o replicación independiente. |
| Acceso | Se enumeran plataformas y métodos de ejecución. | Precio específico de API o condiciones comerciales de cada servicio. |
| Hardware | Hay un ejemplo con A800 de 80 GB. | Que esa tarjeta sea el mínimo universal o que cualquier equipo sea suficiente. |
Qué sigue abierto
- No consta una tarifa oficial específica de API para Unlimited OCR 2 en la documentación consultada.
- Las puntuaciones de los benchmarks no cuentan aquí con reproducción independiente verificada.
- El material disponible no permite determinar el estado de revisión por pares del artículo citado en arXiv.
- La disponibilidad enumerada en plataformas no establece por sí sola las condiciones comerciales, la región ni la existencia de un endpoint específico.
- La A800 de 80 GB aparece en una configuración de prueba; no se confirma como requisito mínimo.
Continúa explorando
Fuentes consultadas
Correcciones y transparencia
Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.
Proponer una corrección