Baidu lança Unlimited-OCR 2: OCR fica até 7 vezes mais rápido em documentos de 100 páginas

A Baidu publicou o Unlimited-OCR 2, modelo de reconhecimento de documentos com cerca de 3 bilhões de parâmetros que promete lidar com textos de praticamente qualquer tamanho. Segundo medições da própria empresa, em documentos de cerca de 100 páginas o novo mecanismo de atenção acelera passos individuais de decodificação em até 7 vezes em relação à atenção completa e em até 5,6 vezes em relação ao mecanismo da primeira versão. O código e os pesos saíram sob licença MIT, inclusive para uso comercial.

O modelo extrai texto de digitalizações e PDFs e processa tabelas, fórmulas e materiais de várias páginas. Mas a qualidade do reconhecimento não é o foco aqui. Os autores se dedicaram a outro problema: o que acontece com o OCR baseado em LLM quando o documento chega a centenas de páginas.

Por que um documento longo quebra o OCR baseado em LLM

Modelos de OCR construídos sobre LLMs têm uma característica incômoda. Quanto mais páginas leem e quanto mais longo fica o texto gerado, mais computação e memória o passo seguinte exige. O modelo precisa consultar o tempo todo um volume crescente de contexto anterior, e o custo de cada novo token vai subindo.

A primeira versão do Unlimited-OCR já resolvia parte desse problema: ela limitava o volume do histórico de geração mantido em memória. Restava uma segunda fonte de crescimento. Os dados visuais de todas as páginas continuavam se acumulando e geravam uma carga cada vez maior, de modo que, em arquivos muito longos, o ganho esbarrava em um teto.

Como o SR-SWA mantém o custo do passo quase constante

No Unlimited-OCR 2, a Baidu propôs o mecanismo Sparse Reference Sliding Window Attention, ou SR-SWA. A ideia é simples. Ao reconhecer cada trecho, o modelo se concentra na página atual e consulta apenas um pequeno conjunto dos fragmentos mais úteis do restante do documento. Em vez de revisitar indefinidamente toda a informação acumulada, ele trabalha com uma memória de trabalho limitada, de 512 tokens de referência, por exemplo.

Com isso, o custo computacional de cada passo seguinte permanece aproximadamente constante, mesmo quando o documento cresce várias vezes. A analogia é familiar para quem já copiou um livro longo: você olha antes de tudo para a página atual, em vez de reler todas as anteriores a cada frase.

Além disso, o modelo processa as páginas em blocos sobrepostos. Quando um trecho do documento termina, a memória que ele ocupava pode ser liberada. É uma segunda alavanca de economia, que funciona em conjunto com a atenção esparsa.

Principais parâmetros do lançamento

• Desenvolvedora: Baidu.
• Tamanho do modelo: cerca de 3 bilhões de parâmetros.
• Tarefas: texto de digitalizações e PDFs, tabelas, fórmulas, documentos de várias páginas.
• Novo mecanismo: Sparse Reference Sliding Window Attention (SR-SWA).
• Memória de trabalho: conjunto limitado de tokens de referência, por exemplo 512.
• Aceleração em documentos de cerca de 100 páginas: até 7 vezes em relação à atenção completa.
• Aceleração em relação ao mecanismo anterior: até 5,6 vezes.
• Processamento das páginas: em blocos sobrepostos, com liberação de memória.
• Licença: MIT, uso comercial permitido.
• Materiais: repositório github.com/baidu/Unlimited-OCR, pesos baidu/Unlimited-OCR-2 no Hugging Face, artigo sobre a primeira versão no arXiv (2606.23050).

Uma ressalva importante: os números de aceleração se referem a passos individuais de decodificação e foram obtidos pela própria Baidu. Ainda não há comparações independentes, e só o uso na prática mostrará o quadro real em corpora reais.

Para quem é útil já agora

Um modelo de 3 bilhões de parâmetros com licença MIT pode ser executado localmente e integrado a um produto sem dor de cabeça jurídica. É um bom candidato para digitalizar arquivos, contratos, coletâneas científicas, relatórios financeiros e manuais técnicos, ou seja, cenários em que arquivos de centenas de páginas são rotina e tabelas e fórmulas não podem se perder.

Para equipes que montam pipelines de RAG e agentes sobre documentos corporativos, a previsibilidade de custo é importante. Se o preço do passo não cresce com o tamanho do arquivo, fica mais fácil planejar hardware e prazos de processamento em lote. Um plano razoável é baixar os pesos do Hugging Face, rodar o modelo nos documentos mais pesados da própria empresa e comparar velocidade e precisão com a stack de OCR atual, principalmente em tabelas e fórmulas.