Baiduがオープンソース化したUnlimited-OCR 2：100ページの文書を1ステップでデコードし5.6倍高速、毎ステップで全体を読む必要なし

動察 Beating AI 速報、Baidu が Unlimited-OCR 2 を公開しオープンソース化、モデルは約30億パラメータ、推論時には約5億パラメータのみを活性化。

6月にリリースされた第1版はすでに約40ページの文書を連続解析できたが、ページ数が増えるにつれて、各トークンを生成するたびにすべてのページの視覚情報に注意を払う必要があり、デコードがますます遅くなっていた。

第2版では SR-SWA スパースアテンション機構を導入。モデルは毎回すべてのページの視覚情報を参照するのではなく、現在のページに重点を置き、さらに少数の関連する視覚情報を選び、直近に生成したテキストと組み合わせて認識を続ける。100ページのテストでは、1ステップのデコードが旧版の R-SWA アテンション方式より約5.6倍速く、従来のフルアテンションより約7倍速い。

VRAM の節約も顕著である。100ページ文書のテストでは、チャンクデコードとクロスページキャッシュの再利用により、単一推論のピーク KV キャッシュ VRAM が47GBから1.77GBに低下した。別の16並列テストでは、生成スループットが毎秒360トークンから1315トークンに向上した。

Baidu はさらに MarathonDocBench を構築した。103〜300ページの文書100份を含み、モデルの長文書解析能力をテストする。Unlimited-OCR 2 は77.06点を獲得し、Gemini 3.8 Flash は28.61点、Qwen3.8 Max は22.93点であった。これらの成績は Baidu 自作ベンチマークでのテストによるものである。

実際に超長文書を処理する際、システムはウィンドウ分割処理も可能で、前のウィンドウのキャッシュの一部を再利用し、VRAM オーバーヘッドをさらに低減できる。ただし、ウィンドウが小さすぎるとページをまたぐ内容のつながりに影響する可能性がある。論文も、新機構では文書のグローバル情報を完全に保持できず、多段見出しなどの全体構造を誤認識する可能性があることを認めている。