Baidu lança o Unlimited OCR 2 para processar documentos extensos em uma única solicitação

O que foi lançado e quando

A Baidu publicou o Unlimited OCR 2 em 27 de outubro de 2026. É um modelo de visão e linguagem desenvolvido para converter páginas de documentos em texto, inclusive quando várias páginas são enviadas juntas para processamento com contexto entre elas. A ficha do modelo e o repositório do projeto descrevem o lançamento e apresentam instruções de uso, mas ambos são mantidos pela mesma equipe: são documentação primária, não duas confirmações independentes.

O nome “Unlimited” alude à proposta de processar documentos com um horizonte muito longo. Ele não demonstra que o sistema aceite documentos de comprimento literalmente infinito, nem que todos os custos, a memória do serviço ou o tempo total permaneçam constantes quando o número de páginas aumenta. A descrição do mecanismo apresenta uma estratégia para limitar o conjunto de referências de atenção; o alcance prático também depende da configuração, dos recursos disponíveis e da execução. Em termos práticos, a novidade está em processar documentos longos em uma solicitação multipágina, preservando a ordem das páginas e buscando manter referências úteis ao longo do documento. Isso pode simplificar alguns fluxos de trabalho, mas não elimina a necessidade de examinar a saída nem demonstra que toda página será transcrita por completo.

A documentação apresenta o lançamento como a versão 2 do Unlimited OCR Works e descreve o modelo como uma ferramenta de parsing de documentos. Essa descrição não deve ser confundida com uma confirmação de desempenho uniforme em qualquer arquivo. Documentos com fontes pequenas, tabelas densas, páginas digitalizadas com baixa qualidade ou layouts pouco comuns podem apresentar dificuldades que não são resolvidas apenas pelo processamento multipágina. O uso de contexto entre páginas é uma capacidade do fluxo descrito, não uma garantia de que o modelo identificará corretamente todas as relações entre seções.

Como o modelo processa páginas e documentos

A versão publicada aceita uma página individual ou uma entrada com várias páginas. Para uma página, a rota de inferência padrão usa segmentação dinâmica da imagem. Na rota multipágina documentada, cada página é apresentada como uma visão global, e as imagens são enviadas na ordem do documento. A saída inclui um marcador de página para cada entrada, também nessa ordem. Essa organização pode ajudar a preservar referências entre páginas, mas não prova que todos os elementos do layout, as tabelas ou as relações entre seções serão reconstruídos corretamente.

A Baidu apresenta a SR-SWA — atenção de janela deslizante com referências esparsas — como o mecanismo central da versão 2. Segundo a descrição do fornecedor, a técnica mantém um conjunto limitado de referências de trabalho para as interações entre texto e visão. O objetivo é conter o crescimento do custo de atenção em sequências muito longas. Essa explicação descreve o projeto proposto; por si só, não estabelece que a latência total de um trabalho extenso seja invariável, pois a leitura, a conversão de páginas, a geração da saída e a infraestrutura também consomem recursos.

Na prática, as duas rotas atendem a casos diferentes. A inferência de uma página usa segmentação dinâmica por padrão; a rota multipágina descrita no material de uso envia todas as imagens ordenadas em uma única solicitação e usa uma visão global por página. Um PDF precisa ser convertido em imagens antes do envio no exemplo do projeto. Por isso, o resultado depende tanto da entrada e da preparação do arquivo quanto do mecanismo de atenção. Se o documento for dividido em janelas para reduzir o pico de memória, blocos que atravessarem uma fronteira podem perder contexto, uma limitação reconhecida na configuração publicada.

Acesso, execução e custo

A documentação lista disponibilidade no Hugging Face, no ModelScope e na Baidu Cloud, além de descrever execução própria com Transformers ou SGLang. Isso ajuda a distinguir baixar ou executar o modelo de usar um serviço hospedado: a presença de uma versão em uma plataforma, por si só, não confirma condições de uso, preço, região ou disponibilidade comercial de um endpoint específico. Nas informações consultadas não consta uma tarifa oficial específica para a API do Unlimited OCR 2.

O guia técnico apresenta um teste com Python 3.10 e uma NVIDIA A800 de 80 GB, além de dependências e componentes adaptados do SGLang. Esse ambiente é um exemplo publicado, não uma declaração de requisito mínimo universal. A configuração de serviço contém limites explícitos de concorrência, tokens e tamanho de janela; quem a adotar precisa considerar o próprio hardware, o comprimento dos documentos e o volume de solicitações simultâneas. A documentação também informa que reduzir a janela pode diminuir o pico de memória, mas prejudicar a fusão de blocos que continuam do outro lado de uma fronteira de janela.

A execução própria exige atenção às dependências e à configuração do servidor. A versão documentada do SGLang é um pacote adaptado, e os exemplos incluem parâmetros específicos para pré-processamento, memória, concorrência e geração. Portanto, as instruções não equivalem a uma experiência de instalação genérica nem demonstram que qualquer ambiente será compatível. Antes de colocar um fluxo em produção, vale testar com os arquivos e o hardware que serão usados, medir consumo e latência e avaliar a saída contra os documentos originais.

O projeto também apresenta um exemplo de envio por uma API compatível com OpenAI, mas isso descreve a interface do servidor executado pelo usuário. Não confirma a existência de uma API pública hospedada, nem informa preço ou condições comerciais para essa versão. Do mesmo modo, a disponibilidade do modelo em uma plataforma de arquivos não determina, por si só, se haverá um serviço de inferência acessível em determinada região.

O que os resultados publicados indicam

O material oficial informa pontuações globais de 84,6 em 100 no MPDocBench e 77,1 em 100 no MarathonDocBench. São valores apresentados pelo desenvolvedor para o Unlimited OCR 2; as evidências disponíveis não incluem uma reprodução independente dessas medições e não permitem tratá-las como garantia de resultados em outros documentos, idiomas, formatos ou configurações. A pontuação de um benchmark resume seu próprio conjunto de dados e suas regras de avaliação, não a qualidade de cada página processada.

A documentação também apresenta a versão como líder em testes de documentos longos. Essa caracterização deve ser entendida como uma alegação do fornecedor enquanto não houver, neste material, uma comparação independente verificável com as mesmas condições e versões. O projeto cita um artigo no arXiv, mas o material consultado não inclui o conteúdo do artigo nem permite determinar seu estado de revisão por pares. Portanto, não cabe atribuir a ele conclusões adicionais nem afirmar que os resultados foram replicados.

As duas pontuações comunicadas são referentes a benchmarks diferentes, e não devem ser combinadas como se fossem uma medida universal de qualidade. Para interpretar uma comparação, importam o conjunto avaliado, a métrica usada, as versões dos modelos e as configurações de execução. Também importa saber se as regras de pós-processamento são as mesmas. Sem evidência independente que reproduza essas condições, os números são úteis como resultados divulgados pelo desenvolvedor, não como uma previsão segura do desempenho em um acervo particular.

O material disponível associa o MPDocBench a documentos de dezenas de páginas e o MarathonDocBench a documentos de centenas de páginas. Isso indica a intenção de avaliar comprimentos distintos, mas não demonstra que toda tarefa com esse número de páginas terá o mesmo resultado, ou que a avaliação cubra os tipos de documento relevantes para cada usuário. O desempenho em um benchmark não substitui a validação com exemplos representativos do próprio fluxo de trabalho.

Limites que convém considerar

O exemplo de inferência em serviço define um limite global de tokens de saída e prevê um máximo por página; a documentação alerta que esses limites e outros parâmetros influenciam o funcionamento. Assim, “pode analisar documentos muito longos” não significa que qualquer entrada produzirá uma transcrição completa. Um orçamento de saída insuficiente, imagens de baixa qualidade, páginas densas ou cortes entre janelas podem afetar o resultado. A saída deve ser comparada com a fonte, sobretudo quando for usada para decisões ou extração de dados sensíveis.

Também não se deve confundir um mecanismo de atenção limitada com uma garantia de custo constante para todo o sistema. O número de páginas ainda pode aumentar o trabalho de pré-processamento e geração; a capacidade do serviço depende da memória, da concorrência e dos parâmetros. A disponibilidade nas plataformas listadas não esclarece as condições comerciais nem a existência de uma API pública específica. Portanto, o anúncio confirma a publicação e as formas de execução documentadas, enquanto a precisão geral, o custo em produção e o desempenho independente exigem evidências distintas.

Há limites de configuração que fazem parte dos exemplos publicados, e não devem ser interpretados como limites universais do modelo. O servidor apresentado configura janelas de páginas, concorrência e limites de saída. Uma janela menor pode reduzir o uso de memória, mas, segundo a própria documentação, pode prejudicar a continuidade entre páginas. Alterar esses parâmetros pode afetar o comportamento do sistema e deve ser avaliado no contexto da carga de trabalho desejada.

A configuração de exemplo inclui ainda opções destinadas a reduzir problemas de memória e de alocação. Isso indica que o dimensionamento e a estabilidade do ambiente podem importar na execução, especialmente com concorrência. Não é suficiente inferir, a partir de um único exemplo, qual hardware será adequado para outros volumes ou formatos. Do mesmo modo, os parâmetros publicados não garantem que uma execução tenha precisão, saída completa ou resultados reproduzíveis em outro ambiente.

A conclusão mais segura é que a versão 2 oferece uma rota documentada para processar uma ou várias páginas e introduz uma abordagem de atenção que o fornecedor apresenta como adequada a documentos muito longos. O termo “ilimitado”, as pontuações de benchmark e as alegações de desempenho continuam tendo o alcance da documentação do desenvolvedor. Para avaliar seu uso, é necessário considerar a qualidade real da saída, os recursos de execução, os limites definidos e as condições comerciais do serviço pretendido.

Continue a explorar

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.