بایدو از مدل متنباز Unlimited OCR 2 رونمایی کرد؛ استخراج دقیق متن از اسناد چندهزار صفحهای

معرفی مدل Unlimited OCR 2

Unlimited OCR 2 جدیدترین مدل استخراج متن و تحلیل اسناد (OCR) تیم تحقیقاتی بایدو است که در تاریخ ۲۷ اکتبر ۲۰۲۶ به‌صورت متنباز منتشر شد. بایدو این مدل را تحولی اساسی در پردازش اسناد می‌داند که توانایی استخراج داده‌ها را از «چند ده صفحه» به افقی نامحدود برای تحلیل بدون مرز اسناد بسیار حجیم ارتقا داده است. این شرکت مدعی است که مدل جدید در بنچمارک‌های MPDocBench و MarathonDocBench عملکردی در سطح برترینهای جهان (SOTA) ثبت کرده است.

نسخه نخست Unlimited OCR در تابستان گذشته با استقبال گستردهای مواجه شد و طبق گزارش بایدو، بیش از ۱۰ میلیون بار در Hugging Face دانلود شد و نزدیک به ۲۸٫۵ هزار ستاره در گیتهاب دریافت کرد. مهم‌ترین نوآوری در نسخه دوم، معرفی مکانیزم Sparse Reference Sliding Window Attention (یا SR-SWA) است. این الگوریتم توجه متنی و تصویری را در توالیهای فوق‌العاده طولانی در یک مجموعه مرجع کاری ثابت (مانند ۵۱۲ توکن) فشردهسازی میکند؛ بنابراین، با افزایش تعداد صفحات سند، تأخیر در رمزگشایی هر مرحله و میزان حافظه مصرفی تقریبا ثابت می‌ماند. وزن‌های این مدل با حدود ۳ میلیارد پارامتر تحت مجوز متنباز MIT در مخزن baidu/Unlimited-OCR-2 در Hugging Face منتشر شده و کدهای آن در مخزن baidu/Unlimited-OCR گیتهاب در دسترس قرار دارد.

ویژگی‌ها و ارتقاهای نسخه جدید

1. مکانیزم توجه SR-SWA: این معماری با الهام از نحوه رونوشتبرداری انسان از کتاب طراحی شده است؛ به این ترتیب که تمرکز اصلی روی صفحه جاری باقی می‌ماند و مدل تنها در صورت نیاز به صفحات قبل نگاه می‌کند. این شیوه به‌جای افزایش تصاعدی بار محاسباتی با افزایش طول سند، هزینه توجه را مهار و محدود نگه میدارد.
2. پردازش اسناد بدون سقف طول: این مدل توانایی پردازش اسنادی با طول دلخواه را درون یک پنجره بافت متناهی دارد. بایدو برای نمایش این قدرت، پردازش تمام جلدهای مجموعه کتابهای هری پاتر (بیش از ۳۶۰۰ صفحه) را در یک مرحله انجام داده و آزمونهای تنش را تا ۵ هزار صفحه با موفقیت پشت سر گذاشته است.
3. نتایج بنچمارک‌ها طبق گزارش سازنده: بر اساس ارزیابیهای بایدو، این مدل در بنچمارک MPDocBench به امتیاز ۸۴٫۶ و در MarathonDocBench به امتیاز ۷۷٫۱ دست یافته و سرعت پردازش آن نسبت به نسل قبلی تا ۷ برابر سریع‌تر شده است. از جمله مدل‌های مقایسهشده میتوان به Qwen 3.8-Max، Gemini-3.8-Flash، GLM-5.3-Flash و DeepSeek-4.1-Flash اشاره کرد (البته این نتایج به‌صورت مستقل اعتبارسنجی نشده است).

استقرار و زیرساخت استنتاج

• وزن‌های متنباز: برای ارزیابیهای سریع میتوان از کتابخانه Transformers استفاده کرد، اما برای سرویسدهی در محیطهای عملیاتی، فریمورک SGLang (بهدلیل زمانبندی پنجرههای صفحه و بهرهبرداری مجدد از حافظه کَش KV) پیشنهاد می‌شود.
• ارائه در بستر ابری: در پلتفرم ابری هوش مصنوعی بایدو، رابط برنامانویسی ناهمگام (Async API) برای Unlimited OCR عرضه شده است که خروجی تحلیل اسناد را در قالب ساختاریافته JSON یا Markdown تحویل می‌دهد.

راهنمای استفاده و اجرا

1. صفحه رسمی مدل: https://huggingface.co/baidu/Unlimited-OCR-2
2. مخزن کد گیتهاب: https://github.com/baidu/Unlimited-OCR
3. اجرای محلی: پس از نصب وابستگیها از کارت مدل، با دستور AutoModel.from_pretrained("baidu/Unlimited-OCR-2", trust_remote_code=True) مدل را فراخوانی کرده و توابع infer یا infer_multi را اجرا کنید. برای پردازش اسناد حجیم، استفاده از SGLang توصیه می‌شود.
4. استفاده ابری: ثبت درخواستها در پلتفرم ابری هوش مصنوعی بایدو به‌صورت فرآیند ناهمگام (ارسال درخواست و بررسی دورهای وضعیت) انجام میپذیرد.

این مدل برای چه کسانی کاربرد دارد؟

• تیم‌های توسعه هوش مصنوعی اسناد و خطوط لوله RAG که نیاز دارند صدها یا هزاران صفحه سند متنی و تصویری را در یک مرحله پردازش و وارد پایگاه دانش کنند.
• پژوهشگرانی که روی مقایسه نسلهای نوین OCR و سامانههای متنخوان اسناد بسیار طولانی فعالیت می‌کنند.

نکات مهم و محدودیتهای فنی

• نتایج ارزیابیها و شتاب سرعت مستقیما توسط بایدو گزارش شده و هنوز توسط پژوهشگران مستقل بازتولید نشده است.
• تشخیص ساختار سلسله‌مراتبی تیترها در اسناد فوق‌العاده طولانی همچنان با نقصها و چالش‌هایی همراه است که توسعهدهندگان نیز به آن اذعان کردهاند.
• میزبانی محلی مدل نیازمند فعالسازی پارامتر trust_remote_code است؛ بنابراین در محیطهای واقعی و سرورهای تولیدی، استفاده از فریمورک SGLang یا رابط ابری رسمی اولویت دارد.