モデル・開発
Unlimited OCR Works 2を公開
原題: Unlimited OCR Works 2
超長文書のpage数に依存しにくいOCR
Baiduは2026年10月27日、Unlimited OCR 2を公開しました。
モデルweights、code、技術報告、demo、超長文書向けbenchmarkのMarathonDocBenchを公開しています。
Hugging Face、ModelScope、Baidu Cloudから利用でき、model weightsはMIT licenseです。
新しいSparse Reference Sliding Window Attentionは、長いtext・visual sequenceのattentionを固定数のworking referenceへ圧縮します。
これにより、文書が長くなっても各decode stepのlatencyとmemory使用量を一定に近づける設計です。
Transformersでは複数pageを1回のrequestへ渡し、pageをまたぐcontextを使って解析できます。
server用途ではSGLangを推奨し、page window、KV tail再利用、memory制御の設定例を公開しています。
公式手順はPython 3.10、PyTorch、TransformersとNVIDIA A800-80GBで検証されています。
独自codeを読み込むためtrust_remote_code=Trueを使う例があり、導入時はrepositoryと依存物の確認が必要です。
長文書benchmarkでの性能値とSOTAの説明はBaidu自身の評価であり、独立評価ではありません。