Baidu kompaniyasi hujjatlarni tahlil qilish uchun oʻzining modelining ikkinchi versiyasi boʻlgan Unlimited OCR 2 ni taqdim etdi va jamoatchilik uchun ochdi. Ushbu ishlab chiqishning maqsadi har qanday sonli sahifalardagi hujjatlarni bitta uzluksiz skanerlash imkoniyatiga ega boʻlishdir.
Modelning kodi va ogʻirliklari MIT litsenziyasi ostida GitHub va Hugging Face platformalarida mavjud. Bundan tashqari, model Baidu AI Cloud va Baidu AI Open Platform orqali ham taqdim etiladi.
Iyun oyida chiqarilgan Unlimited-OCR ning birinchi versiyasi sahimalardan oʻnlab ketma-ket sahifalarga qadar parsing imkoniyatlarini kengaytirish uchun havolalarga asoslangan silliq oynali diqqat mexanizmini ishlatgan edi. Ikkinchi versiyada bu mexanizm Sparse Reference Sliding Window Attention yoki SR-SWA bilan almashtirildi.
Baidu yangi yondashuvni inson kitob nusxalash usuli bilan solishtiradi: u joriy sahifaga eʼtibor qaratadi va faqat sahifalararo maʼlumot kerak boʻlganda oldingi sahifalarga murojaat qiladi. Amalda, maxsus sahifa darvozasi avval har bir soʻrovning vizual havolasini butun hujjatdan tegishli sahifalarga toraytiradi, shu bilan birga sahifalar orasidagi joylarni modellashtiradi. Keyin esa uzoq muddatli bogʻliqliklarni qayd etish uchun eng yuqori baholangan vizual token guruhlari jalb qilinadi.
Loyihaning tavsifiga koʻra, SR-SWA ultra uzun ketma-ketliklardan matn-vizual diqqatni aniq ishlaydigan havolalar toʻplamiga, masalan, 512 ta tokenlarga siqib chiqaradi. Bu har bir bosqichdagi dekodlash latensiyasi va xotira sarfini hujjat uzunligidan qatʼiy nazar deyarli doimiy saqlab qolish imkonini beradi. Baidu nomlagan Unlimited-Horizon Decoding texnologiyasi bilan birgalikda, bu modelga juda uzun kirish maʼlumotlarini cheklangan kontekst oynasi ichida qayta ishlash imkonini beradi.
Baidu oʻz misolida model 3600 sahifadan ortiq boʻlgan barcha yetti Harry Potter kitobini bitta sessiya davomida qayta ishlashga muvaffaq boʻlganini namoyish etdi.
Kiritilgan koʻrsatkichlar kompaniyaning oʻz sinovlariga asoslanadi. Baidu koʻp sahifali parsing uchun benchmark boʻlgan MPDocBenchda 84.6 ball, shuningdek, Baidu model bilan Hugging Face da eʼlon qilgan stuz sahifali hujjatlar uchun MarathonDocBenchda 77.1 ball erishganini maʼlum qiladi. Kompaniya aytadiki, bu ikkala natija ham toʻliq parsing uchun ilgʻor hisoblanadi va u sinovdan oʻtkazgan bir nechta umumiy flash-tier darajasidagi modellardan ustun turadi.
100 sahifali ssenariyda Baidu hisobotida SR-SWA har bir bosqichni toʻliq diqqatdan yetti baravar tezroq, avvalgi R-SWA tuzilishidan esa 5,6 baravar tezroq dekod qilishi koʻrsatilgan. Maqola yozilishi paytida mustaqil baholar hali chop etilmagan.
Birinchi versiya ishlab chiquvchilar orasida katta qiziqish uygʻotdi. Baidu model Hugging Face da 10 milliondan ortiq yuklab olish va GitHub da 28 500 ta yulduzga ega ekanligini taʼkidlaydi. Hozirda model tezkor sinovlar uchun Transformers va xizmat koʻrsatish uchun SGLang dan foydalanmoqda. Baidu 12-noyabrda boʻlib oʻtadigan Baidu World 2026 tadbirida model haqida koʻproq maʼlumot berishni rejalashtirmoqda.
