Baidu lance Unlimited OCR 2 pour traiter de longs documents en une seule requête

Qu’est-ce qui a été lancé, et quand ?

Baidu a publié Unlimited OCR 2 le 27 octobre 2026. Il s’agit d’un modèle de vision et de langage conçu pour convertir des pages de documents en texte, y compris lorsque plusieurs pages sont envoyées ensemble afin d’être traitées avec leur contexte commun. La fiche du modèle et le dépôt du projet décrivent le lancement et présentent des instructions d’utilisation, mais ils émanent de la même équipe : ce sont des documents primaires, et non deux confirmations indépendantes.

Le nom « Unlimited » renvoie à la proposition de traiter des documents sur un horizon très long. Il ne prouve pas que le système accepte des documents d’une longueur littéralement infinie, ni que tous les coûts, la mémoire du service ou la durée totale restent constants lorsque le nombre de pages augmente. La description du mécanisme présente une stratégie visant à limiter l’ensemble des références utilisées par l’attention ; sa portée pratique dépend aussi de la configuration, des ressources et des conditions d’exécution.

Comment le modèle traite les pages et les documents

La version publiée prend en charge le traitement d’une page seule ou de plusieurs pages. Pour une page, la méthode d’inférence par défaut utilise un découpage dynamique de l’image. Dans le parcours multipage décrit, chaque page est présentée sous la forme d’une vue globale et les images sont envoyées dans l’ordre du document. La sortie comporte un marqueur de page pour chaque entrée, dans le même ordre. Cette organisation peut contribuer à préserver des références entre les pages, mais elle ne prouve pas que tous les éléments de mise en page, les tableaux ou les relations entre sections soient reconstruits correctement.

Baidu présente SR-SWA — une attention à fenêtre glissante avec références éparses — comme le mécanisme central de la version 2. Selon sa description, cette méthode conserve un ensemble limité de références de travail pour les interactions entre le texte et l’image. L’objectif est de contenir la croissance du coût de l’attention dans les longues séquences. Cette explication décrit la conception proposée ; à elle seule, elle n’établit pas que la latence totale d’un traitement long reste constante, car la lecture, la conversion des pages, la génération de la sortie et l’infrastructure mobilisent aussi des ressources.

Accès, exécution et coût

La documentation mentionne une disponibilité sur Hugging Face, ModelScope et Baidu Cloud, et décrit une exécution sur sa propre infrastructure avec Transformers ou SGLang. Il faut distinguer le téléchargement ou l’exécution du modèle d’un service hébergé : la présence d’une version sur une plateforme ne confirme pas, à elle seule, ses conditions d’utilisation, son prix, sa région de disponibilité ni l’existence d’un point d’accès commercial précis. Les informations consultées ne donnent pas de tarif officiel spécifique pour l’API d’Unlimited OCR 2.

Le guide technique montre un essai avec Python 3.10 et un GPU NVIDIA A800 de 80 Go, ainsi que des dépendances et des composants SGLang adaptés. Il s’agit d’un exemple publié, et non d’une déclaration de configuration minimale universelle. La configuration du service comporte des limites explicites concernant la concurrence, les jetons et la taille des fenêtres ; les personnes qui l’adoptent doivent les évaluer en fonction de leur matériel, de la longueur des documents et du nombre de requêtes simultanées. La documentation indique également qu’une fenêtre plus petite peut réduire le pic de mémoire, au prix d’une perte de contexte pour fusionner les blocs qui se poursuivent au-delà de la frontière entre fenêtres.

Que montrent les résultats publiés ?

Les documents officiels communiquent des scores globaux de 84,6 sur 100 sur MPDocBench et de 77,1 sur 100 sur MarathonDocBench. Ces chiffres sont présentés par le développeur pour Unlimited OCR 2 ; les éléments disponibles n’incluent aucune reproduction indépendante de ces mesures et ne permettent pas de les considérer comme une garantie pour d’autres documents, langues, formats ou configurations. Un score de benchmark résume un jeu de données et des règles d’évaluation donnés ; il ne décrit pas la qualité de chaque page traitée.

La documentation présente également cette version comme une référence pour les tests portant sur de longs documents. Tant qu’aucune comparaison indépendante et vérifiable menée dans les mêmes conditions et avec les mêmes versions n’est disponible, cette caractérisation doit être comprise comme une affirmation du fournisseur. Le projet cite un article sur arXiv, mais les éléments consultés ne donnent pas accès à son contenu et ne permettent pas d’établir s’il a fait l’objet d’une évaluation par les pairs. Il n’est donc pas possible de lui attribuer d’autres conclusions ni d’affirmer que ses résultats ont été reproduits.

Limites à garder à l’esprit

L’exemple d’inférence sur serveur fixe un budget global maximal de jetons pour la sortie et prévoit aussi une limite par page ; la documentation précise que ces plafonds et d’autres paramètres influent sur le fonctionnement. Ainsi, « peut analyser de très longs documents » ne signifie pas que chaque entrée donnera lieu à une transcription complète. Un budget de sortie insuffisant, des images de mauvaise qualité, des pages denses ou des coupures entre fenêtres peuvent affecter le résultat. La sortie doit être vérifiée par rapport à la source, en particulier lorsqu’elle sert à prendre des décisions ou à extraire des données sensibles.

Il ne faut pas non plus confondre un mécanisme d’attention bornée avec une garantie de coût constant pour l’ensemble du système. Le nombre de pages peut toujours accroître le travail de prétraitement et de génération ; la capacité du service dépend de la mémoire, du nombre de requêtes simultanées et des paramètres choisis. La présence du modèle sur les plateformes mentionnées ne précise ni les conditions commerciales ni l’existence d’une API publique dédiée. En résumé, l’annonce confirme la publication et les modes d’exécution documentés, tandis que l’exactitude générale, le coût en production et les performances vérifiées indépendamment nécessitent d’autres éléments de preuve.

Poursuivre l’exploration

Corrections et transparence

Si vous repérez une information incorrecte ou obsolète, envoyez-nous la page et la source à vérifier.