Baidu udostępniła nową wersję modelu Unlimited OCR 2, specjalizującego się w przetwarzaniu dokumentów wielustronicowych. Model o rozmiarze 3,34 miliarda parametrów może analizować setki stron w jednym żądaniu, konwertując obrazy stron na ustrukturyzowany tekst obejmujący tekst, tabele, wzory matematyczne, rysunki, nagłówki i kolejność czytania.
Kluczową innowacją jest mechanizm SR-SWA - sparse attention scheme, który utrzymuje koszt obliczeniowy dekodowania na niemal stałym poziomie niezależnie od liczby przetwarzanych stron. Dzięki temu model może obsługiwać dokumenty zawierające nawet 131 tysięcy tokenów. Architektura opiera się na starszej wersji Unlimited OCR z czerwca 2026, łącząc kodery SAM ViT-B i CLIP-L z dwuwarstwowym dekoderem mixture-of-experts zawierającym 64 eksperty. Wagi modelu zajmują około 6,7 GB w formacie BF16 i działają na pojedynczym GPU NVIDIA, co czyni je praktyczne w stosowaniu.
W testach porównawczych model uzyskał pierwsze miejsce na obydwu benchmarkach wielostronicowych, osiągając wynik 77,1 na MarathonDocBench, znacznie wyprzedzając konkurencyjne rozwiązania takie jak Kimi-K3, które uzyskało 33,7. Unlimited OCR 2 udostępniana jest na licencji MIT z kodem źródłowym dostępnym na GitHub, co otwiera możliwości adaptacji i rozwoju modelu przez społeczność open-source.