Baidu Unlimited OCR 2: Model Sumber Terbuka yang Membaca Satu Buku Utuh Sekali Jalan

Kebanyakan alat dokumen membaca satu halaman, lalu melupakannya. Alat itu mulai lagi dari awal pada halaman berikutnya. Akibatnya, laporan panjang sering kembali dengan tabel yang terpotong antarhalaman. Catatan kaki sering salah tempat, dan urutan baca sering bergeser. Baidu Unlimited OCR 2 adalah model sumber terbuka (open source) yang dibuat untuk menghindari putaran itu. Model ini mengurai dokumen ratusan halaman dalam satu permintaan, sambil menjaga konteks antarhalaman tetap utuh. Baidu merilis Unlimited OCR 2 pada 27 Oktober 2026. Bobotnya berlisensi MIT. Kodenya ada di repositori baidu/Unlimited-OCR, GitHub, diakses 28 Oktober 2026. Klaim utamanya adalah metode perhatian baru. Metode itu bernama Sparse Reference Sliding Window Attention. Metode itu menjaga biaya dekode tiap langkah hampir tetap. Biaya itu tetap meski dokumen bertambah panjang. Angka tolok ukur di balik klaim itu berasal dari Baidu sendiri. Artikel ini memisahkan apa yang diterbitkan Baidu dari apa yang sudah diverifikasi liputan independen.

Poin Penting

• Baidu merilis Unlimited OCR 2 pada 27 Oktober 2026. Model ini berparameter 3,34 miliar. Model ini berlisensi MIT. Kodenya ada di GitHub. Bobotnya ada di Hugging Face.

• Metode intinya adalah Sparse Reference Sliding Window Attention (SR-SWA). Metode ini memadatkan perhatian teks-visual menjadi acuan tetap. Jumlah acuan itu 512 token dalam contoh Baidu.

• Baidu melaporkan skor 84,6 pada MPDocBench. Baidu melaporkan skor 77,1 pada MarathonDocBench. Kedua skor itu dilaporkan sendiri. Kedua skor itu belum diuji ulang secara independen dalam liputan publik.

• Model ini menerima gambar halaman yang berurutan sebagai masukan. Model ini menghasilkan teks, tabel, rumus, gambar, judul, dan urutan baca. Model ini memakai Transformers untuk uji cepat. Model ini memakai SGLang untuk pelayanan.

• Hierarki judul adalah sisi terlemahnya yang dilaporkan. Skornya 48,2 pada MarathonDocBench. Tolok ukur MarathonDocBench sendiri belum dirilis ke publik. Penguji independen belum dapat mengujinya ulang.

Masalahnya mudah dibayangkan. Ambil sebuah berkas setebal 200 halaman. Berkas itu bisa berupa laporan, tesis, atau buku. Dokumen panjang, for example, adalah laporan tahunan 300 halaman. Biasanya berkas itu dipotong menjadi halaman tunggal. Tiap halaman diproses satu per satu. Hasilnya disambung lagi oleh skrip. Setiap potongan berisiko menghilangkan sesuatu. Tabel bisa berlanjut ke halaman berikutnya. Acuan bisa menunjuk gambar beberapa halaman sebelumnya. Urutan baca dua kolom bisa tertukar. Unlimited OCR 2 adalah upaya Baidu untuk menghilangkan tahap penyambungan itu. Mode multihalamannya menerima semua halaman dalam urutan yang benar. Mode itu menerima semua halaman pada satu permintaan. Model dapat memakai konteks antarhalaman. Model tidak perlu menebaknya belakangan. Hal itu dinyatakan pada kartu model. Gagasan itu sendiri bukan hal baru. Unlimited-OCR pertama dirilis pada 22 Juni 2026. Versi itu sudah mengurai puluhan halaman sekali jalan. Versi 2 memperluas gagasan yang sama hingga menjangkau dokumen ratusan halaman. Di sanalah letak rekayasa barunya.

Apa Itu Baidu Unlimited OCR 2?

Pengenalan karakter optis (OCR) adalah tugas mengubah gambar berisi teks menjadi teks yang dapat dibaca mesin. Baidu Unlimited OCR 2 adalah model bahasa-visual untuk tugas itu. Model ini berparameter 3,34 miliar. Model ini dirancang bagi dokumen sangat panjang. Model ini dibangun dari DeepSeek-OCR. Repositorinya mengakui DeepSeek-OCR. Repositorinya mengakui DeepSeek-OCR-2. Repositorinya mengakui PaddleOCR. Repositorinya mengakui kerangka pelayanan SGLang. Kartu modelnya menyebut rilis ini sebagai pelopor era yang disebut Baidu sebagai OCR-3.0. Era itu adalah peralihan dari penguraian berjangkauan panjang ke penguraian berjangkauan tak terbatas. Slogan itu perlu dibaca dengan hati-hati. Penguraian itu tak terbatas hanya dalam pengertian yang dijelaskan di bawah. Pengertian itu berlaku di dalam jendela konteks yang terbatas. Pengertian itu bukan tanpa batas apa pun.

Secara praktis, model ini menerima gambar halaman yang berurutan. Model ini menghasilkan teks terstruktur yang mencakup teks isi, tabel, rumus, gambar, judul, dan urutan baca. Berkas PDF tidak dimasukkan langsung dalam contoh yang diterbitkan Baidu. Halaman diubah dulu menjadi gambar. Pengubahan itu, for example, memakai PyMuPDF. Halaman lalu dikirim dalam urutan halaman. Inferensi satu halaman memakai penataan dinamis. Penataan itu disebut mode gundam. Penataan itu memberi detail pada satu halaman. Inferensi multihalaman memakai satu tampilan global per halaman. Tampilan itu disebut mode dasar. Mode itu menghasilkan satu penanda halaman per halaman masukan. Urutannya sama seperti masukan. Jaminan urutan itu lebih penting daripada kelihatannya. Jaminan itulah yang memungkinkan alat berikutnya membangun kembali sebuah dokumen. Jaminan itu bukan sekadar tumpukan halaman.

Repositori bersama di balik kedua versi itu bukan proyek sampingan kecil. Repositori itu diakses pada 28 Oktober 2026. Saat itu repositori itu menunjukkan 29.114 bintang di GitHub. Saat itu repositori itu menunjukkan 3.094 fork di GitHub. Repositori itu berlisensi MIT. Angka itu mencakup repositori secara keseluruhan. Angka itu mencakup versi pertama dari Juni 2026. Angka itu bukan hanya versi 2. Bintang mengukur perhatian. Bintang bukan ukuran mutu. Meski demikian, besarnya audiens itu berarti sesuatu. Versi 2 hadir di tengah komunitas yang sudah ada. Komunitas itu sudah menjalankan versi pertama. Versi 2 tidak mulai dari nol.

Cara Kerja SR-SWA

Tembolok KV adalah memori yang disimpan model tentang token yang sudah diproses. Memori itu membuat model tidak perlu menghitung ulang pada tiap langkah. Sparse Reference Sliding Window Attention (SR-SWA) adalah metode Baidu untuk menjaga memori itu tetap terbatas. Memori itu tetap terbatas selagi dokumen bertambah panjang. Pada perhatian penuh biasa, biaya tiap langkah dekode tumbuh seiring panjang urutan. Penyebabnya sederhana. Tiap token baru memindai tembolok yang makin panjang. Dengan 273 token gambar per halaman, 100 halaman saja sudah menambah 27.300 token masukan. Tambahan itu ada sebelum keluaran apa pun ditulis. Hal itu ditunjukkan analisis MarkTechPost. Model yang memindai ulang semua itu pada tiap langkah akan melambat. Model itu melambat tepat ketika dokumen menjadi menarik.

SR-SWA memadatkan perhatian teks-visual menjadi sekumpulan acuan tetap. Jumlah acuan itu 512 token dalam contoh Baidu. Konfigurasinya memasangkan jendela lokal 128 token dengan pemilihan 16 teratas atas blok 32 token. Hitungannya sederhana. 16 blok kali 32 token sama dengan 512 token. Kartu model Baidu menyatakan hal itu membatasi kompleksitas komputasi. Latensi dekode tiap langkah hampir tetap. Jejak memori hampir tetap. Hal itu berlaku berapa pun panjang dokumennya. Itulah klaim yang tepat. Batasnya penting. Pengodean gambar tetap bertambah seiring jumlah halaman. Total waktu kerja tetap bertambah seiring jumlah halaman. Yang hampir tetap adalah biaya tiap langkah dekode. Yang hampir tetap bukan biaya seluruh pekerjaan.

Versi 1 memakai gagasan sekerabat. Gagasan itu bernama Reference Sliding Window Attention. Pada gagasan itu, tiap token yang dihasilkan dapat melihat semua gambar halaman. Token itu hanya melihat 128 token terakhir dari keluarannya sendiri. Gambaran itu seperti seseorang menyalin buku. Orang itu menatap halaman. Orang itu hanya mengingat beberapa kata terakhir yang ditulisnya. Versi 2 membuat sekumpulan acuan itu jarang. Versi 2 memilih blok yang paling relevan. Versi 2 tidak hanya memakai jendela tetap. Perumpamaan itu membantu. Perumpamaan itu tetap perumpamaan. Model tidak memahami dokumen seperti manusia. Sekumpulan acuan yang terbatas dapat membuang konteks. Konteks itu ternyata dibutuhkan halaman berikutnya. Risiko itu salah satu alasan skor terlemah Baidu patut diperhatikan. Skor itu dibahas di bawah.

Apa Kata Tolok Ukur, dan Apa yang Tidak Dikatakan Tolok Ukur

Baidu menguji pada dua tolok ukur multihalaman. MPDocBench mencakup dokumen puluhan halaman. Set uraian publiknya berisi 433 dokumen. Set itu berisi 3.246 halaman. MarathonDocBench dirilis bersama versi 2. Tolok ukur itu mencakup dokumen ratusan halaman. Menurut bagan papan peringkat Baidu, Unlimited OCR 2 meraih 84,6 pada MPDocBench. Angka itu dilaporkan MarkTechPost. Qwen3.8-Max meraih 78,3 pada tolok ukur yang sama. Qwen-3.8-Flash-Next meraih 77,4. Pada MarathonDocBench, Unlimited OCR 2 meraih 77,1. Kimi-K3 meraih 33,7. Gemini-3.8-Flash meraih 28,6. Selisih pada uji ratusan halaman adalah cerita yang ingin disampaikan Baidu. Model pesaing tampak kuat pada puluhan halaman. Model pesaing runtuh pada ratusan halaman. Unlimited OCR 2 hanya turun 7,5 poin. Model itu turun dari 84,6 menjadi 77,1. Qwen3.8-Max turun lebih jauh. Model itu turun dari 78,3 menjadi 22,9.

Skor per bagian menunjukkan di mana model ini kuat. Skor itu juga menunjukkan di mana model ini tidak kuat. Pada MPDocBench dan MarathonDocBench secara berurutan, Baidu melaporkan teks 94,8 dan 89,6. Baidu melaporkan rumus 89,4 dan 87,9. Baidu melaporkan urutan baca 92,3 dan 85,3. Baidu melaporkan tabel 87,8 dan 74,8. Baidu melaporkan hierarki judul 60,1 dan 48,2. Teks dan rumus bertahan baik pada skala ratusan halaman. Tabel turun lebih jauh. Hierarki judul lemah pada kedua tolok ukur. Hierarki judul terlemah pada skala ratusan halaman. Tim yang membutuhkan daftar isi yang andal sebaiknya waspada. Tim itu membutuhkan daftar isi dari dokumen panjang. Tim itu sebaiknya menganggap angka 48,2 itu sebagai peringatan. Angka itu bukan catatan kaki. Pendahulunya menunjukkan cerita yang sama secara terbalik. Unlimited-OCR pertama meraih 61,9 pada MPDocBench. Model itu meraih 0,0 pada MarathonDocBench. Versi 2 adalah langkah besar pada tugas khusus ini. Langkah itu diukur oleh pengujian Baidu sendiri.

Tiga catatan menjaga angka-angka itu tetap jujur. Pertama, semua angka pada bagian ini berasal dari Baidu sendiri. Angka itu dibaca dari gambar bagan papan peringkat pada kartu model. Angka itu bukan dari tabel terbitan yang dapat dihitung ulang pihak lain. Kedua, MarkTechPost melaporkan tidak menemukan rilis publik MarathonDocBench. Penguji independen belum dapat menguji ulang perbandingan ratusan halaman itu sendiri. Ketiga, selisih pada MPDocBench tipis di beberapa bagian. Qwen3.8-Max meraih 94,3 pada teks. Model itu meraih 89,2 pada rumus. Kedua angka itu dekat dengan Unlimited OCR 2. Keunggulan menyeluruh di sana bukan kemenangan telak pada semua sisi. Liputan AlphaSignal sampai pada simpulan yang sama dari sudut berbeda. Rilis ini berlisensi MIT. Rilis ini memiliki antarmuka Transformers. Rilis ini memiliki resep pelayanan SGLang dan vLLM. Sumbangan teknisnya adalah keadaan perhatian yang terbatas. Sumbangan itu bukan klaim verifikasi independen.

Cara Menjalankan Unlimited OCR 2

Baidu menempatkan Transformers sebagai jalur uji cepat. Baidu menempatkan SGLang sebagai jalur pelayanan. Jalur Transformers memuat model dengan AutoModel dan AutoTokenizer. Jalur itu memakai trust_remote_code yang disetel true. Jalur itu memanggil infer untuk satu halaman. Jalur itu memanggil infer_multi untuk seluruh dokumen. Baidu menguji jalur itu dengan Python 3.10. Baidu menguji dengan torch 2.13.0. Baidu menguji dengan transformers 4.52.1. Pengujian itu memakai NVIDIA A800 dengan memori 80 GB. MarkTechPost melaporkan bobot BF16 sekitar 6,7 GB. Bobot itu berjalan pada satu GPU CUDA. Bendera trust_remote_code patut diberi peringatan tegas. Bendera itu menjalankan kode Python dari repositori model pada mesin Anda. Tinjaulah kode itu sebelum menjalankannya pada hal yang sensitif. Perlakukan kode itu sama seperti dependensi apa pun.

Pelayanan memakai roda SGLang khusus dari Baidu. Roda itu bukan SGLang hulu. Roda itu memakai penjadwalan jendela halaman untuk dokumen sangat panjang. Contoh Baidu menjadwalkan 10 halaman per jendela. Contoh itu memakai kembali ekor KV jendela sebelumnya. Blok yang berlanjut melewati batas jendela tetap memiliki sebagian konteks. Jendela yang lebih kecil menurunkan puncak memori. Jendela yang lebih kecil melemahkan penggabungan antarhalaman. Itulah pertukaran nyata yang perlu disetel. Pertukaran itu bukan setelan yang diperkecil tanpa pikir. Baidu juga memperingatkan soal setelan bias bawaan. Setelan itu dapat memicu alokasi sekitar 462 MiB. Setelan itu dapat kehabisan memori. Contoh Baidu menyetel nilai itu menjadi 64. Semua ini bukan pasang lalu jalan seperti API yang disediakan pihak lain. Rilis ini mengirimkan bobot dan kode. Rilis ini bukan layanan yang disediakan. Penyiapan pelayanan adalah tempat sebagian besar tim akan menghabiskan waktunya.

Jika dokumen Anda berbentuk PDF, anggarkan juga tahap pengubahan menjadi gambar. Contoh SGLang di repositori mengubah tiap halaman PDF menjadi gambar. Pengubahan itu memakai 300 titik per inci. Pengubahan itu terjadi sebelum apa pun dikirim ke model. Batas keluaran per halaman pada contoh itu adalah 20.000 token. Dokumen panjang karena itu membutuhkan anggaran keluaran menyeluruh. Anggaran itu tumbuh seiring jumlah halaman. Contoh Baidu mengalikan tunjangan token per halaman dengan jumlah halaman. Rincian itu mudah terlewat. Rincian itu mudah salah. Anggaran yang disetel untuk laporan sepuluh halaman akan memotong diam-diam buku seratus halaman.

Siapa yang Sebaiknya Memakai, dan Siapa yang Sebaiknya Tidak

Unlimited OCR 2 cocok bagi tim yang dokumennya panjang. Unlimited OCR 2 cocok bagi tim yang strukturnya penting:

• Tim hukum, riset, dan arsip yang mendigitalkan berkas. Tim itu mendigitalkan tesis. Tim itu mendigitalkan laporan. Tim itu mendigitalkan buku. Tabel atau acuan pada dokumen itu dapat melintasi halaman.

• Pengembang yang membangun alur dokumen. Pengembang itu kini menyambung keluaran OCR satu halaman dengan skrip. Pengembang itu kehilangan konteks antarhalaman.

• Tim yang membutuhkan penguraian lokal berlisensi MIT. Tim itu menangani dokumen sensitif. Tim itu tidak mengirim halaman ke layanan OCR yang disediakan pihak lain.

• Peneliti yang membandingkan metode penguraian dokumen panjang. Peneliti itu dapat memakai MPDocBench sebagai titik awal. Peneliti itu dapat memakai skrip evaluasi pada kartu model sebagai titik awal.

Lewati dulu, atau tunggu, jika Anda membutuhkan hierarki judul yang terverifikasi. Hal itu berlaku untuk dokumen ratusan halaman. Lewati dulu jika Anda membutuhkan tolok ukur publik yang dapat diuji ulang. Hal itu berlaku sebelum Anda memercayai skor utama. Lewati dulu jika Anda tidak dapat menjalankan GPU CUDA. Hal itu berlaku jika Anda tidak dapat meninjau kode jarak jauh. Untuk dokumen satu halaman, alat OCR yang lebih sederhana mungkin lebih cepat. Alat itu mungkin lebih mudah. Seluruh manfaat SR-SWA baru terasa ketika dokumen bertambah panjang. Jika pelayanan berskala besar adalah tujuannya, bacalah artikel kami tentang llm-d 1.0 berdampingan dengan artikel ini. Platform itu adalah platform inferensi sumber terbuka yang berbeda. Pelajarannya sama. Pelayanan yang baik adalah pekerjaan rekayasa tersendiri. Pekerjaan itu terpisah dari menjalankan model sekali. Untuk dokumen itu sendiri, panduan editor PDF sumber terbuka kami membahas alat yang dipakai pembaca setelah penguraian selesai.

Pertanyaan yang Sering Diajukan

Apakah Baidu Unlimited OCR 2 gratis? Bobot dan kodenya gratis dengan lisensi MIT. Lisensi itu mengizinkan pemakaian komersial dengan ketentuan yang melekat. Biaya Anda adalah perangkat keras GPU. Biaya Anda adalah waktu penyiapan pelayanan. Biaya Anda adalah rekayasa untuk meninjau dan memelihara alur kerja. Tidak ada API yang disediakan dalam rilis ini. Tidak ada harga per halaman. Tidak ada pula pihak lain yang menjalankan infrastruktur untuk Anda.

Benarkah model ini dapat membaca satu buku utuh dalam satu permintaan? Itulah tujuan rancangannya. Baidu memperagakan satu buku utuh yang diurai dalam satu permintaan pada visualisasinya. Pada praktiknya, permintaan itu dibatasi jendela konteks yang terbatas. Permintaan itu dibatasi batas keluaran per halaman. Permintaan itu dibatasi penjadwalan jendela halaman pada pelayanan SGLang. Total waktu kerja tetap bertambah seiring jumlah halaman. Biaya dekode tiap langkah hampir tetap. Anggap satu permintaan sebagai satu pekerjaan dokumen. Anggap itu bukan keajaiban tanpa batas.

Apa beda versi 2 dengan Unlimited-OCR pertama? Versi 1 dirilis pada 22 Juni 2026. Versi itu sudah mengurai puluhan halaman sekali jalan. Versi itu memakai Reference Sliding Window Attention. Versi 2 menggantinya dengan Sparse Reference Sliding Window Attention. Versi 2 memilih blok yang relevan ke dalam sekumpulan acuan tetap 512 token. Menurut tolok ukur Baidu sendiri, pendahulunya meraih 61,9 pada MPDocBench. Pendahulunya meraih 0,0 pada MarathonDocBench. Versi 2 meraih 84,6 dan 77,1. Lompatan itu secara khusus terjadi pada dokumen ratusan halaman.

Apakah model ini mengalahkan semua model OCR lain? Pada bagan Baidu sendiri, model ini memimpin kedua tolok ukur multihalaman yang diujinya. Keunggulan terbesar ada pada dokumen ratusan halaman. Angka-angka itu dilaporkan sendiri. Angka itu dibaca dari gambar bagan. MarathonDocBench belum dirilis ke publik untuk pengujian ulang independen. Pada MPDocBench, pesaingnya dekat pada teks dan rumus. Simpulan yang jujur adalah model ini memimpin pengujian Baidu. Keunggulan itu paling jelas pada skala ratusan halaman. Verifikasi independen masih ditunggu.

Dapatkah saya menjalankannya pada mesin sendiri? Untuk uji cepat, ya, jika Anda memiliki GPU CUDA. Baidu menguji inferensi Transformers pada NVIDIA A800 dengan memori 80 GB. MarkTechPost melaporkan bobot BF16 sekitar 6,7 GB pada satu GPU CUDA. Untuk pelayanan, Baidu merekomendasikan roda SGLang khususnya. Roda itu memakai penjadwalan jendela halaman. Roda itu memakai setelan memori seperti dijelaskan di atas. Tinjaulah kode repositori sebelum mengaktifkan trust_remote_code. Ubahlah PDF menjadi gambar halaman terlebih dahulu.

Kesimpulan

Unlimited OCR 2 memecahkan masalah yang nyata dan khusus. Biaya membaca dokumen panjang tumbuh seiring panjangnya. Perhatian biasa membuat biaya itu tumbuh lebih cepat daripada dokumen itu sendiri. SR-SWA membatasi biaya tiap langkah. Angka Baidu menyatakan manfaatnya terbesar tepat di tempat model lain runtuh. Tempat itu adalah dokumen ratusan halaman. Catatannya sama spesifiknya. Angka itu berasal dari Baidu sendiri. Tolok ukur ratusan halaman belum bersifat publik. Hierarki judul lemah. Pelayanan membutuhkan penyiapan yang sungguh-sungguh. Jika dokumen Anda panjang, tabel Anda melintasi halaman, dan Anda dapat menjalankan serta meninjau kodenya sendiri, rilis ini layak diuji. Ujilah pada dokumen Anda sendiri. Periksalah judul Anda sendiri dengan tangan. Mulailah dari repositori GitHub dan kartu model Hugging Face, atau baca versi bahasa Inggris artikel ini.