Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизКод / SDK · В работуTG: @notboring_tech (Not Boring Tech)→ оригинал

Baidu открыла Unlimited-OCR 2: модель распознаёт 5026 страниц за один проход

OCR — это распознавание текста на сканах и фото, и длинные документы обычно режут по страницам, поэтому таблица с продолжением на следующей странице разваливается. Unlimited-OCR 2 от Baidu читает PDF, сканы и фото целиком и помнит предыдущие страницы. За один подход она обработала все семь книг о Гарри Поттере — больше 3600 страниц, а в другом тесте документ на 5026 страниц. Для оцифровки архивов это меньше ручной склейки.

AI-обработка оригинала TG: @notboring_tech (Not Boring Tech); редакция Hamidun News
Baidu открыла Unlimited-OCR 2: модель распознаёт 5026 страниц за один проход
Источник: TG: @notboring_tech (Not Boring Tech). Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникTG: @notboring_tech (Not Boring Tech) ↗
Главный редактор
Ключевой факт #1Достаёт текст, таблицы и формулы из PDF, сканов и фотографий
Ключевой факт #2Не перечитывает весь документ заново, а берёт нужные фрагменты
Код открыт и бесплатенрепозиторий baidu/Unlimited-OCR на GitHub

Представьте, что вам нужно превратить в текст архив из нескольких тысяч страниц. Программы распознавания текста (OCR — то самое «сфотографировал страницу и получил буквы») обычно работают с каждой страницей отдельно. Поэтому таблица, которая начинается на одной странице и продолжается на другой, превращается в два несвязанных куска, а собирать документ обратно приходится вручную или скриптами. Unlimited-OCR 2, вышедшая в открытый доступ в репозитории Baidu на GitHub, пытается снять эту проблему: по описанию, она читает документ целиком и держит в памяти, что было на предыдущих страницах. В демонстрации модель за один подход обработала все семь книг о Гарри Поттере — больше 3600 страниц, а в другом тесте справилась с документом на 5026 страниц.

Что умеет Unlimited-OCR 2

Модель распространяется бесплатно и с открытым исходным кодом. Судя по описанию, она вытаскивает из PDF, сканов и обычных фотографий не только сплошной текст, но и таблицы с формулами. Это важно: именно таблицы и математика чаще всего ломаются при распознавании, превращаясь в кашу из символов.

Главная заявленная особенность — сохранение контекста между страницами. Если таблица продолжается на следующем развороте, модель понимает, что это одна и та же таблица, а не две разные. Возьмите бухгалтерский отчёт на сорок страниц: обычный OCR выдаст сорок отдельных кусков, а здесь на выходе должна получиться связная структура.

Как модель справляется с тысячами страниц

Чем длиннее документ, тем больше памяти нужно, чтобы держать его «в голове». Авторы утверждают, что Unlimited-OCR 2 экономит память: она не перечитывает весь документ заново, а обращается только к нужным фрагментам. Грубая аналогия — читатель, который не листает книгу с первой страницы каждый раз, когда ему нужна цитата, а открывает закладку.

Цифры из демонстраций выглядят внушительно. Все семь книг о Гарри Поттере — это больше 3600 страниц, и модель обработала их за один подход. В другом тесте она переварила документ на 5026 страниц. Такие объёмы обычно приходится разбивать на множество отдельных запусков, а потом сшивать результат — здесь этот шаг, по замыслу авторов, не нужен.

Кому это пригодится

Первые кандидаты на применение очевидны:

  • библиотеки и архивы, которые переводят в цифру книги и старые подшивки;
  • научные команды, у которых тысячи статей с формулами и таблицами;
  • юридические и финансовые отделы с толстыми договорами и отчётами;
  • разработчики RAG-систем (поиска ответов по собственным документам), которым нужен чистый текст с сохранённой структурой.

Для последних польза особенно ощутима: качество ответа RAG напрямую зависит от того, насколько аккуратно документ превратили в текст. Если таблица на входе развалилась на два несвязанных куска, никакая языковая модель потом не восстановит правильные цифры.

Что стоит проверить перед внедрением

Пока это анонс, и цифры взяты из описания проекта. Сообщается о количестве страниц, но не о точности распознавания в процентах, скорости на конкретном железе и требованиях к видеопамяти. Тест на «Гарри Поттере» — это в основном чистый печатный текст; как модель поведёт себя на кривых сканах, рукописных пометках, старых газетах или таблицах со сложной вёрсткой, покажет только практика.

Разумный план действий такой. Возьмите из своего архива сотню самых неудобных страниц — с продолжающимися таблицами, формулами, плохим освещением на фото. Прогоните их через Unlimited-OCR 2 и через ваше текущее решение. Сравните результат вручную: сколько таблиц собралось правильно, сколько формул потерялось, сколько памяти и времени ушло. Если выигрыш заметен, имеет смысл строить на модели пайплайн оцифровки. Открытый код позволяет запускать её у себя, не отправляя конфиденциальные документы в чужое облако.

В целом релиз показывает общий тренд: распознавание документов перестаёт быть задачей «страница за страницей» и становится задачей «документ целиком». Для практиков это хорошая новость, а заявления можно проверить самостоятельно, ведь код лежит в открытом репозитории Baidu.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: что умеет Unlimited-OCR 2?

Модель распространяется бесплатно и с открытым исходным кодом. Судя по описанию, она вытаскивает из PDF, сканов и обычных фотографий не только сплошной текст, но и таблицы с формулами. Это важно: именно таблицы и математика чаще всего ломаются при распознавании, превращаясь в кашу из символов. Главная заявленная особенность — сохранение контекста между страницами. Если таблица продолжается на следующем развороте, модель понимает, что это одна и та же таблица, а не две разные.

Что известно по теме: как модель справляется с тысячами страниц?

Чем длиннее документ, тем больше памяти нужно, чтобы держать его «в голове». Авторы утверждают, что Unlimited-OCR 2 экономит память: она не перечитывает весь документ заново, а обращается только к нужным фрагментам. Грубая аналогия — читатель, который не листает книгу с первой страницы каждый раз, когда ему нужна цитата, а открывает закладку. Цифры из демонстраций выглядят внушительно. Все семь книг о Гарри Поттере — это больше 3600 страниц, и модель обработала их за один подход.

Что известно по теме: кому это пригодится?

Первые кандидаты на применение очевидны: библиотеки и архивы, которые переводят в цифру книги и старые подшивки; научные команды, у которых тысячи статей с формулами и таблицами; юридические и финансовые отделы с толстыми договорами и отчётами; разработчики RAG-систем (поиска ответов по собственным документам), которым нужен чистый текст с сохранённой структурой. Для последних польза особенно ощутима: качество ответа RAG напрямую зависит от того, насколько аккуратно документ превратили в текст.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…