*Концептуальная иллюстрация сценария; не интерфейс продукта, клиентский проект или результат теста.*
Baidu представила Unlimited OCR 2 — открытую модель для разбора длинных документов с сохранением связей между страницами. Официальный анонс датирован 27 октября 2026 года. Для бизнеса интересен не лозунг о «бесконечных страницах», а работа с продолжением таблицы или абзаца после разрыва страницы. При этом технический отчёт прямо признаёт ограничение: механизм не сохраняет всю глобальную информацию о документе, что мешает пониманию общей структуры. Анонс Baidu, технический отчёт.
Разбор для владельцев документооборота, корпоративного поиска и ИТ-команд с большими архивами. Первоисточники проверены 28 октября 2026 года. Мы не запускали модель, не распознавали свои PDF и не измеряли точность русского текста, скорость или расход видеопамяти. Заявления разработчика и редакционные сценарии ниже разделены; готовых команд установки, проверенных редакцией, здесь нет.
Главная новость: предложен способ уменьшить вычислительную нагрузку отдельного шага при разборе длинного документа. Главная граница: это не означает одинаковое время обработки короткого и длинного файла или гарантированно верную иерархию разделов.
Содержание
- Что выпустила Baidu
- Почему важны связи страниц
- Что означает Unlimited
- Что доказывают тесты
- Локальный запуск
- Место в RAG
Что именно выпустила Baidu
В репозитории и карточке модели релиз второй версии отмечен 27 октября. Доступны веса baidu/Unlimited-OCR-2, код и материалы о методе. Исходный репозиторий опубликован под MIT, та же лицензия указана в метаданных карточки модели. Это открывает путь к самостоятельному изучению и развёртыванию с соблюдением условий лицензии. Карточка модели, текст лицензии.
OCR — распознавание текста на изображении; парсинг документа шире, поскольку включает порядок чтения и структуру содержимого. Baidu описывает в анонсе распознавание элементов страницы и объединение продолжающихся таблиц и абзацев. Эти функции следует понимать как заявления разработчика о продукте, а не как проверенную редакцией работу на любых сканах. Описание возможностей Baidu.
Новость особенно заметна на фоне привычного постраничного конвейера. Если каждый лист обрабатывается независимо, связь продолжения приходится восстанавливать следующим этапом. В многолистном отчёте это может быть не менее важной задачей, чем чтение отдельных символов.
Речь идёт о новом парсере, а не о готовой корпоративной системе работы с документами. Права доступа к архиву, хранение исходников, поиск, исправление ошибок и загрузка данных в СЭД или ERP остаются частью окружающего процесса. Открытая модель позволяет изменить один его компонент.
Зачем бизнесу связи между страницами
Представим редакционный пример: спецификация заканчивается посередине длинной таблицы. На следующей странице продолжаются строки, но название объекта и заголовок столбца остались на предыдущей. При раздельном чтении можно сохранить все цифры и всё равно неправильно связать их с товаром или единицей измерения.
Другой пример — абзац инструкции, в котором условие осталось внизу листа, а действие перенесено дальше. Для поиска по такому документу важно не только получить текст, но и сохранить связное предложение. Иначе система найдёт нужные слова, однако фрагмент окажется недостаточным для ответа сотруднику.
| Ситуация в архиве | Какая связь нужна | Что останется отдельной задачей |
|---|---|---|
| Таблица продолжается на следующем листе | Сохранить столбцы и продолжение строк | Проверить значения и единицы измерения |
| Абзац разорван страницей | Восстановить непрерывный текст | Установить смысловую границу раздела |
| Отчёт содержит много подразделов | Сопоставить текст с местом в документе | Построить верную иерархию заголовков |
| Документы подготовлены разными отделами | Получить сопоставимый структурированный результат | Нормализовать названия и правила доступа |
Все строки таблицы — аналитические примеры, а не результаты теста Unlimited OCR 2. Они показывают, почему сравнение парсеров по одному чистому листу может не отвечать задаче большого архива. Если в компании преобладают короткие однотипные формы, основной эффект нового многостраничного механизма может оказаться менее существенным.
Поэтому повод для интереса — реальные разрывы содержимого в вашем классе документов. Количество страниц само по себе ещё не объясняет, зачем менять текущий инструмент. Значимее понять, теряет ли система связь строк, абзацев или источника ответа.
Что означает Unlimited и как работает SR-SWA
SR-SWA расшифровывается как Sparse Reference Sliding Window Attention — механизм внимания с ограниченным набором активных опорных данных. По описанию авторов, он уменьшает объём визуальной информации, к которой обращается модель на отдельном шаге выдачи текста. За счёт этого стоимость шага не должна расти так же, как при обращении ко всему накопленному визуальному контексту. Описание метода в репозитории.
Это различие между стоимостью одного шага и работой над всем документом. Длинный файл содержит больше страниц, изображений и выходного текста. Даже если каждый шаг обходится примерно одинаково, шагов потребуется больше. Следовательно, из архитектурного заявления нельзя вывести фиксированное время обработки любого PDF.
Второе различие — локальная связность и глобальное понимание. В разделе ограничений отчёта авторы пишут, что текущий механизм не сохраняет глобальную информацию документа и ограничивает понимание таких структур, как иерархия заголовков. Это важная оговорка рядом с обещанием работы с продолжениями через страницы. Ограничения исследования.
Для бизнеса вывод конкретный: получить продолжение таблицы и правильно определить, к какому разделу отчёта она относится, — разные результаты. Если конечная задача требует дерева разделов, его нельзя считать автоматически решённым одним переходом на Unlimited OCR 2.
Что показывают бенчмарки и чего они не доказывают
Авторы оценивают модель на MPDocBench, где документы достигают 30 страниц, и на представленном ими MarathonDocBench с документами от 100 до 300 страниц. В оценку входят несколько показателей: текст, порядок чтения, таблицы, формулы, изображения и связи через границы страниц. Итоговый показатель агрегирует эти разные стороны качества. Методика и результаты отчёта.
Таким образом, высокий итоговый балл нельзя переименовать в «процент правильно распознанных реквизитов». Это другая единица оценки. Отчёт подготовлен командой разработчика; собственного независимого воспроизведения результатов в этой статье нет.
Не установлена и точность на вашем русском архиве. Даже если конкретная модель размечена как multilingual, этого недостаточно для вывода о чтении мелких примечаний, рукописных исправлений, печатей или повреждённых сканов. Для разных потоков ошибки будут иметь разный смысл: в одном случае портится поисковый фрагмент, в другом — значение в учётной системе.
Редакционный вывод о бенчмарках: они объясняют, почему модель стоит изучить, но не определяют готовность к вашей операции. Для архива спецификаций существенны продолжения таблиц и связь с исходной страницей. Для книги — порядок чтения. Для управленческого отчёта может оказаться критичной именно иерархия разделов, ограничение которой авторы признают.
Можно ли запустить Unlimited OCR 2 локально
В официальных материалах показаны два пути: Transformers для быстрого изучения и SGLang для обслуживания запросов. Пример Transformers использует CUDA и BF16; разработчики указывают тестовую среду с NVIDIA A800-80GB. Для SGLang предлагается специальная сборка из проекта. Эти сведения описывают опубликованную среду, но не устанавливают минимальную видеопамять для любого документа. Инструкции разработчиков.
В примере многостраничного вызова передаётся упорядоченный список изображений страниц. PDF в серверном примере сначала преобразуется в изображения. Поэтому формулировка «разобрать PDF одним запросом» не означает, что можно убрать подготовку страниц и отправить произвольный файл в любой стандартный интерфейс. Примеры обработки документов.
Для ИТ-команды здесь две отдельные оценки: возможность запустить опубликованный код и возможность устойчиво обслуживать рабочую очередь. Большой документ занимает вычисления дольше короткого, а параллельные запросы меняют потребление ресурсов. Название модели не задаёт доступную пропускную способность сервера.
Локальный запуск полезен как вариант размещения, но не является готовой схемой защиты данных. Понадобятся выбранный контур, управление доступом, хранение результатов и правила обновления зависимостей. Мы не приводим собственную команду установки, не обещаем совместимость с конкретной рабочей станцией и не выдаём опубликованные примеры Baidu за выполненный редакцией запуск.
Как релиз влияет на RAG и корпоративный поиск
RAG — получение релевантных фрагментов из базы знаний перед формированием ответа моделью. В таком процессе парсер создаёт исходный материал для индекса. Если таблица разорвана неверно или потеряна связь абзаца, последующая генерация ответа работает уже с искажённой основой.
Unlimited OCR 2 интересен как кандидат на этапе извлечения, особенно для длинных сканов с продолжениями. Но распознанный документ ещё нужно разделить на смысловые фрагменты, связать с источником и версией, учесть права доступа и подготовить поиск. Аналитический вывод из ограничения глобальной структуры: при построении разделов нельзя без проверки опираться только на полученный поток текста.
Для команды, у которой уже есть парсер, полезнее сравнить характер потерь, чем менять всю архитектуру вслед за названием релиза. Например, нынешний инструмент может хорошо читать отдельные страницы, но не объединять таблицы; другая проблема — неверно определять разделы. Это разные причины для изменения конвейера и разные требования к следующему компоненту.
Общий контекст инструментов есть в нашем сравнении парсеров PDF для RAG. Подготовка бумажных источников рассмотрена отдельно в чек-листе оцифровки архива. Эти задачи остаются актуальны и после появления нового OCR.
Как AIrassvet подключает длинные документы к базе знаний
Работа с длинными документами может включать подготовку изображений страниц, интеграцию распознавания с корпоративным хранилищем и построение RAG-поиска с привязкой фрагментов к источникам. Для многостраничных таблиц предметная задача — сохранить связи строк и страниц, а для поиска — передавать сотруднику проверяемый источник ответа. Выбор конкретного парсера и условия его размещения определяются отдельно.
Начать стоит с одного типа документов: описать его структуру, нынешние потери при обработке, ограничения на хранение и ожидаемый результат. Обсудить задачу.
Что означает Unlimited OCR 2 для бизнеса
Релиз Baidu развивает важное направление: длинные документы можно обрабатывать с учётом продолжения содержимого между страницами, снижая рост вычислительной нагрузки отдельного шага. Для бизнеса это повод изучить новый компонент извлечения, если текущий процесс теряет такие связи. «Безлимит» в названии не отменяет времени обработки, ограничений инфраструктуры и признанной авторами проблемы глобальной структуры. Результаты на русском архиве остаются вопросом отдельной проверки.
