Baidu lancia Unlimited OCR 2 per elaborare documenti lunghi in un’unica richiesta

Che cosa è stato lanciato e quando

Baidu ha pubblicato Unlimited OCR 2 il 27 ottobre 2026. È un modello di visione e linguaggio progettato per trasformare le pagine di documenti in testo, anche inviando insieme più pagine per elaborarle tenendo conto del contesto tra loro. La scheda del modello e il repository del progetto descrivono il lancio e forniscono istruzioni per l’uso, ma fanno capo allo stesso gruppo: sono documentazione primaria, non due conferme indipendenti.

Il nome «Unlimited» si riferisce alla proposta di elaborare documenti con un orizzonte molto lungo. Non dimostra che il sistema possa gestire documenti di lunghezza letteralmente infinita, né che tutti i costi, la memoria del servizio o il tempo complessivo restino costanti all’aumentare delle pagine. La descrizione del meccanismo illustra una strategia per limitare l’insieme dei riferimenti usati nell’attenzione; i risultati pratici dipendono anche dalla configurazione, dalle risorse e dall’esecuzione.

Come elabora pagine e documenti

La versione pubblicata supporta sia una singola pagina sia un input multipagina. Per una pagina, il percorso di inferenza predefinito usa il ritaglio dinamico dell’immagine; nel percorso multipagina documentato, ogni pagina viene presentata come una vista globale e le immagini sono inviate nell’ordine del documento. L’output include un marcatore di pagina per ciascun input, nello stesso ordine. Questa organizzazione può aiutare a mantenere riferimenti tra le pagine, ma non dimostra che tutti gli elementi di impaginazione, le tabelle o i legami tra sezioni vengano ricostruiti correttamente.

Baidu indica nella SR-SWA —attеnzione a finestra scorrevole con riferimenti sparsi— il meccanismo centrale della versione 2. Secondo la descrizione del progetto, mantiene un insieme circoscritto di riferimenti di lavoro per le interazioni tra testo e immagini. L’obiettivo è contenere la crescita del costo dell’attenzione nelle sequenze molto lunghe. Questa spiegazione descrive il design proposto; da sola non dimostra che la latenza totale di un’elaborazione estesa resti invariata, perché anche lettura, conversione delle pagine, generazione dell’output e infrastruttura richiedono risorse.

Accesso, esecuzione e costi

La documentazione elenca la disponibilità su Hugging Face, ModelScope e Baidu Cloud e descrive l’esecuzione autonoma tramite Transformers o SGLang. È importante distinguere il download o l’esecuzione del modello da un servizio ospitato: la presenza di una versione su una piattaforma non conferma, da sola, le condizioni d’uso, il prezzo, la regione o la disponibilità commerciale di uno specifico endpoint. Nelle informazioni consultate non è indicata una tariffa ufficiale specifica per l’API di Unlimited OCR 2.

La guida tecnica mostra un test con Python 3.10 e una NVIDIA A800 da 80 GB, oltre a dipendenze e componenti SGLang adattati. Si tratta di un esempio pubblicato, non di un requisito minimo universale. La configurazione del servizio contiene limiti espliciti per concorrenza, token e dimensione della finestra; chi la utilizza deve valutare hardware, lunghezza dei documenti e volume di richieste simultanee. La documentazione segnala inoltre che ridurre la finestra può diminuire il picco di memoria, ma comporta una perdita di contesto nel collegare blocchi che proseguono oltre il confine tra finestre.

Che cosa indicano i risultati pubblicati

Il materiale ufficiale riporta punteggi complessivi di 84,6 su 100 in MPDocBench e 77,1 su 100 in MarathonDocBench. Sono valori presentati dallo sviluppatore per Unlimited OCR 2; le evidenze disponibili non includono una riproduzione indipendente di queste misurazioni e non consentono di considerarli una garanzia di risultati su altri documenti, lingue, formati o configurazioni. Il punteggio di un benchmark riassume il suo specifico insieme di dati e le relative regole di valutazione, non la qualità di ogni pagina elaborata.

La documentazione presenta inoltre la versione come leader nei test su documenti lunghi. Questa caratterizzazione va intesa come un’affermazione del fornitore finché non sia disponibile un confronto indipendente verificabile, condotto nelle stesse condizioni e con le stesse versioni. Il progetto cita un articolo su arXiv, ma il materiale consultato non ne include il contenuto e non permette di stabilire se sia stato sottoposto a revisione paritaria. Non è quindi opportuno attribuirgli conclusioni ulteriori o affermare che i risultati siano stati replicati.

Limiti da tenere presenti

L’esempio di inferenza del servizio imposta un limite globale per i token di output e prevede un massimo per pagina; la documentazione avverte che questi e altri parametri influiscono sul funzionamento. Perciò, «può analizzare documenti molto lunghi» non significa che qualsiasi input produca una trascrizione completa. Un budget di output insufficiente, immagini di scarsa qualità, pagine dense o interruzioni tra finestre possono influire sul risultato. L’output va confrontato con la fonte, soprattutto se verrà usato per prendere decisioni o estrarre dati sensibili.

Un meccanismo di attenzione circoscritta non va confuso con una garanzia di costo costante per l’intero sistema. Il numero di pagine può comunque aumentare il lavoro di preelaborazione e generazione; la capacità del servizio dipende dalla memoria, dalla concorrenza e dai parametri scelti. La disponibilità sulle piattaforme elencate non chiarisce le condizioni commerciali né l’esistenza di una specifica API pubblica. In sintesi, l’annuncio conferma la pubblicazione e i percorsi di esecuzione documentati, mentre accuratezza generale, costi di produzione e prestazioni indipendenti richiedono evidenze distinte.

Continua a esplorare

Correzioni e trasparenza

Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.