Baidu lanza Unlimited-OCR 2: el OCR se acelera hasta 7 veces en documentos de 100 páginas

Baidu ha publicado Unlimited-OCR 2, un modelo de reconocimiento de documentos con unos 3 mil millones de parámetros que, según la compañía, debe poder manejar textos de prácticamente cualquier longitud. De acuerdo con las mediciones de la propia empresa, en documentos de unas 100 páginas el nuevo mecanismo de atención acelera pasos concretos de la decodificación hasta 7 veces respecto a la atención completa y hasta 5,6 veces respecto al mecanismo de la primera versión. El código y los pesos se han publicado bajo licencia MIT, también para uso comercial.

El modelo extrae texto de escaneos y PDF, y procesa tablas, fórmulas y materiales de varias páginas. Pero la calidad del reconocimiento no es aquí el tema central. Los autores se centraron en otro problema: qué ocurre con el OCR basado en LLM cuando el documento crece hasta cientos de páginas.

Por qué un documento largo rompe el OCR basado en LLM

Los modelos de OCR con base lingüística tienen un defecto incómodo. Cuantas más páginas han leído y más largo es el texto generado, más cómputo y memoria necesitan para el siguiente paso. El modelo tiene que consultar de forma constante un volumen creciente de contexto previo, y el coste de cada nuevo token no deja de subir.

La primera Unlimited-OCR ya resolvía parte de este problema: limitaba el volumen del historial de generación que se conserva. Quedaba una segunda fuente de crecimiento. Los datos visuales de todas las páginas seguían acumulándose y generaban una carga creciente, de modo que en archivos muy largos la mejora topaba con un techo.

Cómo SR-SWA mantiene el coste por paso casi constante

En Unlimited-OCR 2, Baidu propone el mecanismo Sparse Reference Sliding Window Attention, abreviado SR-SWA. La idea es sencilla. Al reconocer cada fragmento, el modelo se concentra en la página actual y consulta solo un pequeño conjunto de los fragmentos más útiles del resto del documento. En lugar de revisar sin límite la información acumulada, trabaja con una memoria de trabajo acotada, por ejemplo de 512 tokens de referencia.

Como resultado, el coste computacional de cada paso siguiente se mantiene aproximadamente constante, incluso cuando el documento se multiplica varias veces. La analogía es fácil de entender para cualquiera que haya copiado un libro largo: se mira ante todo la página actual, en lugar de releer todas las anteriores después de cada frase.

Además, el modelo procesa las páginas en bloques solapados. Cuando termina un tramo del documento, la memoria que ocupaba puede liberarse. Es una segunda palanca de ahorro, y funciona junto con la atención dispersa.

Parámetros clave del lanzamiento

• Desarrollador: Baidu.
• Tamaño del modelo: unos 3 mil millones de parámetros.
• Tareas: texto de escaneos y PDF, tablas, fórmulas, documentos de varias páginas.
• Nuevo mecanismo: Sparse Reference Sliding Window Attention (SR-SWA).
• Memoria de trabajo: un conjunto acotado de tokens de referencia, por ejemplo 512.
• Aceleración en documentos de unas 100 páginas: hasta 7 veces respecto a la atención completa.
• Aceleración respecto al mecanismo anterior: hasta 5,6 veces.
• Procesamiento de páginas: en bloques solapados con liberación de memoria.
• Licencia: MIT, uso comercial permitido.
• Materiales: repositorio github.com/baidu/Unlimited-OCR, pesos baidu/Unlimited-OCR-2 en Hugging Face, artículo sobre la primera versión en arXiv (2606.23050).

Una salvedad aparte: las cifras de aceleración se refieren a pasos concretos de la decodificación y las ha obtenido la propia Baidu. Todavía no hay comparativas independientes, y solo la práctica mostrará el panorama real en corpus reales.

A quién le sirve ya

Un modelo de 3 mil millones de parámetros con licencia MIT puede ejecutarse en infraestructura propia e integrarse en un producto sin complicaciones legales. Es un buen candidato para digitalizar archivos, contratos, compendios científicos, informes financieros y manuales técnicos, es decir, ámbitos donde los archivos de cientos de páginas son habituales y no se pueden perder tablas ni fórmulas.

Para los equipos que construyen pipelines RAG y agentes sobre documentos corporativos, importa la previsibilidad del coste. Si el precio de cada paso no crece con la longitud del archivo, es más fácil planificar el hardware y los plazos del procesamiento por lotes. Un plan razonable sería este: descargar los pesos de Hugging Face, probarlos con los documentos más pesados propios y comparar velocidad y precisión con el stack de OCR actual, sobre todo en tablas y fórmulas.