Was ist Unlimited-OCR 2?
Unlimited-OCR 2 ist Baidus offenes Modell zur Dokumentenerkennung, veröffentlicht am 27. Oktober 2026 unter der MIT-Lizenz als Nachfolger von Unlimited-OCR, das im Juni erschienen war. Es behält dieselbe Basis, einen Vision-Encoder von DeepSeek-OCR mit einem Mixture-of-Experts-Decoder mit 3 Milliarden Parametern, von denen pro Token etwa 500 Millionen aktiv sind, und wurde vom Checkpoint der ersten Version aus nachtrainiert.
Die Neuerung ist Sparse Reference Sliding Window Attention. Version 1 hielt ihren Speicher-Cache konstant, schaute beim Schreiben aber weiterhin auf jedes Seitenbild zurück und war bei 40 Seiten am Ende. In Version 2 berücksichtigt jeder Schritt nur die relevanten Seiten und einen festen Satz von Referenz-Tokens, sodass Decoding-Geschwindigkeit und Speicher nahezu konstant bleiben, egal wie lang das Dokument ist. Baidus Demo verarbeitet ein Buch in voller Länge in einem Request, und das Paper meldet bei hundert Seiten eine 7,0-mal schnellere Verarbeitung pro Schritt gegenüber voller Attention.
Baidu hat außerdem MarathonDocBench veröffentlicht, ein Testset aus 100 Dokumenten mit 103 bis 300 Seiten. Die API zur Dokumentenverarbeitung von Baidu AI Cloud läuft jetzt auf Version 2; sie nimmt PDFs mit bis zu 500 Seiten an, liefert Markdown oder JSON und ist für begrenzte Zeit kostenlos, mit 200 Testseiten für verifizierte Privatpersonen und 1.000 für verifizierte Unternehmen.
Lohnt sich Unlimited-OCR 2?
Unlimited-OCR 2 ist das erste offene OCR-Modell, das dafür gebaut ist, ein ganzes Buch auf einmal zu lesen, und nach Baidus Zahlen gelingt ihm das weit besser als Allzweckmodellen. Bei MarathonDocBench, Baidus eigenem Set aus Dokumenten mit 103 bis 300 Seiten, erreicht es insgesamt 77,06, während der beste Konkurrent in der Tabelle, Kimi-K3, auf 33,74 kommt und Gemini 3.1 Pro Preview auf 26,97. Version 1 konnte wegen ihrer Grenze von 40 Seiten gar nicht antreten. Das Testset stammt von Baidu, seine Labels gingen vor der menschlichen Korrektur von der Ausgabe eines Parsers aus, und noch hat niemand sonst Ergebnisse darauf veröffentlicht.
Im älteren MPDocBench mit Dokumenten von bis zu 30 Seiten erreicht es 84,59 gegenüber 78,30 für Qwen3.8-Max, 76,25 für Gemini 3.8 Flash und 61,89 für den Vorgänger. Das ist für die meisten Käufer der größere praktische Gewinn: ein Sprung um 23 Punkte genau bei der mehrseitigen Arbeit, für die Version 1 gedacht war, alles selbst gemeldet.
Bei einzelnen Seiten sieht es anders aus. Der Wert von 94,02 bei OmniDocBench v1.6 liegt kaum über den 93,92 der Version 1 und hinter TeleOCR mit 96,91, OvisOCR2 mit 96,47 und den selbst gemeldeten 96,33 von PaddleOCR-VL-1.6. Baidus eigener Abschnitt zu den Grenzen ergänzt, dass die Sparse Attention globale Dokumentinformationen verliert, was sich in der schwächsten Kennzahl zeigt: Werte für die Überschriftenhierarchie von 60,10 bei MPDocBench und 48,20 bei MarathonDocBench. Die Trainingslabels stammen zudem aus MinerU2.5-Pro und PaddleOCR-VL-1.6, bei kurzen Dokumenten hat es also weitgehend gelernt, diese nachzuahmen.
Die Speicherersparnis ist die eigentliche technische Leistung. Die Verarbeitung in Seitenfenstern und die Wiederverwendung des Caches an den Fenstergrenzen senken laut Paper den Spitzenbedarf des Caches bei Dokumenten mit hundert Seiten für einen Request von 47,00 GB auf 1,77 GB und heben den Durchsatz bei 16 gleichzeitigen Requests von 360 auf 1.315 Tokens pro Sekunde.
Wer selbst hostet, sollte das Serving-Beispiel trotzdem genau lesen. Version 2 verzichtet auf die vLLM-Images der Version 1 und verlangt, ein angepasstes SGLang-Wheel aus dem Modell-Repository zu installieren, und der Beispielbefehl bindet wieder einen OpenAI-kompatiblen Server ohne Authentifizierung an 0.0.0.0 auf Port 10000.
Wo es sich lohnt
Ein Data Engineer in einer Kanzlei, der gescannte Verträge und Schriftsätze mit 30 bis 200 Seiten digitalisiert
Jedes Dokument in einem Durchgang in Markdown umwandeln, ohne Code zum Zusammensetzen der Seiten
Rendere das PDF mit 300 dpi und schicke alle Seiten in einem Request an den SGLang-Server; Text und Tabellen, die über Seitengrenzen gehen, kommen zusammengefügt zurück. Prüfe die Überschriftenebenen von Hand, denn dort hat das Modell seinen schwächsten Wert.
Ein ML-Plattform-Team bei einem chinesischen Versicherer, das Schadensakten verarbeitet
Dokumente verarbeiten, ohne GPUs zu kaufen, solange die Mengen unsicher sind
Nutze die gehostete API von Baidu AI Cloud, die jetzt auf Version 2 läuft und für begrenzte Zeit mit PDFs bis 500 Seiten kostenlos ist. Einreichungen sind auf 2 pro Sekunde begrenzt, und die Links zu den Ergebnis-PDFs laufen nach 30 Tagen ab, die Speicherung danach muss also eingeplant werden.
Ein Team in einem europäischen Archiv, das selbst hostet und eine strikte No-Cloud-Richtlinie hat
Ganze Bücher und Jahresberichte auf eigenen GPUs per OCR erfassen
Aktiviere die Planung in Seitenfenstern (standardmäßig 10 Seiten pro Fenster), damit der Spitzenbedarf des Caches nahe an Baidus Wert von 1,77 GB bleibt, und setze den Server hinter einen authentifizierenden Proxy, statt den Port freizugeben, den Baidus Beispiel öffnet.
Bevor du dich festlegst
- Einrichtung
- Installiere den festgelegten Transformers-Stack (torch 2.13.0, transformers 4.52.1) mit trust_remote_code und rufe infer_multi mit den Seitenbildern in der richtigen Reihenfolge auf, oder installiere das Wheel sglang-0.5.20.dev10 aus dem Modell-Repository und starte den Server mit dem Chat-Template unlimited-ocr. Baidu hat auf einer A800 mit 80 GB getestet.
- Integrationen
- Transformers, ein angepasstes SGLang mit Planung in Seitenfenstern und ms-swift für Fine-Tuning; Gewichte auch auf ModelScope. Die asynchrone API zur Dokumentenverarbeitung von Baidu AI Cloud liefert JSON und Markdown, Tabellen zusätzlich in HTML, damit verbundene Zellen erhalten bleiben.
- Daten und Datenschutz
- MIT-Lizenz, keine Nutzungsbeschränkungen. Selbst gehostet bleiben Dokumente auf deiner Hardware; bei Baidu AI Cloud bleiben zurückgegebene PDF-Links 30 Tage gültig, weitere Aufbewahrungsbedingungen nennt die API-Seite nicht.
- Kosten im großen Maßstab
- Der Checkpoint hat 3,34 Milliarden Parameter in bf16, rund 7 GB, eine Rechenzentrums-GPU reicht also. Baidu meldet 1.315 Tokens pro Sekunde bei 16 gleichzeitigen Requests mit je hundert Seiten und Decoding in Fenstern; welche GPU dahintersteht, nennt das Paper nicht. Der bezahlte Preis von Baidu Cloud ist nicht veröffentlicht.
- Grenzen
- Die Konfiguration erlaubt 131.072 Positionen, statt 32.768 in Version 1; das SGLang-Beispiel begrenzt den Output auf 20.000 Tokens pro Seite und warnt, dass ein kleineres Seitenfenster das seitenübergreifende Zusammenführen verliert. Baidu Cloud erlaubt 2 Einreichungen und 5 Ergebnisabfragen pro Sekunde, 500 Seiten und 100 MB pro PDF per URL.
Was gut ist
- Verarbeitet Dokumente mit Hunderten Seiten in einem Request
- 84,59 bei MPDocBench, 23 Punkte über Version 1 (selbst gemeldet)
- Spitzenbedarf des Caches von 1,77 GB bei Dokumenten mit hundert Seiten
- MIT-Lizenz; etwa 500 Mio. aktive Parameter pro Token
Was nicht
- Der Benchmark für lange Dokumente stammt von Baidu und wurde nicht nachgeprüft
- Genauigkeit bei einzelnen Seiten hinter TeleOCR, OvisOCR2 und PaddleOCR-VL-1.6
- Schwach bei der Überschriftenhierarchie, nach Baidus eigener Aussage
- Angepasstes SGLang-Wheel; der Beispielserver lauscht ohne Authentifizierung auf allen Interfaces
Am besten für
Teams, die lange Berichte, Verträge und Bücher digitalisieren und ganze Dokumente in einem Durchgang auf eigenen GPUs verarbeiten wollen.
Alternativen zu Unlimited-OCR 2
Unlimited-OCR 2: häufige Fragen
- Lohnt sich Unlimited-OCR 2?
- Unlimited-OCR 2 macht aus einem Bericht mit 300 Seiten einen einzigen Modellaufruf, und bisher belegt das nur eine Rangliste, die Baidu selbst gebaut hat. Wir bewerten es mit 4.2 von 5.
- Was kostet Unlimited-OCR 2?
- Kostenlos unter der MIT-Lizenz. Die gehostete API von Baidu AI Cloud ist für begrenzte Zeit kostenlos (200 Testseiten für Privatpersonen, 1.000 für Unternehmen); Preise für die bezahlte Nutzung nicht veröffentlicht.
- Welche Nachteile hat Unlimited-OCR 2?
- Der Benchmark für lange Dokumente stammt von Baidu und wurde nicht nachgeprüft; Genauigkeit bei einzelnen Seiten hinter TeleOCR, OvisOCR2 und PaddleOCR-VL-1.6; Schwach bei der Überschriftenhierarchie, nach Baidus eigener Aussage; Angepasstes SGLang-Wheel; der Beispielserver lauscht ohne Authentifizierung auf allen Interfaces.
- Für wen eignet sich Unlimited-OCR 2?
- Teams, die lange Berichte, Verträge und Bücher digitalisieren und ganze Dokumente in einem Durchgang auf eigenen GPUs verarbeiten wollen.
- Was kostet Unlimited-OCR 2 für ein Team oder im Produktivbetrieb?
- Der Checkpoint hat 3,34 Milliarden Parameter in bf16, rund 7 GB, eine Rechenzentrums-GPU reicht also. Baidu meldet 1.315 Tokens pro Sekunde bei 16 gleichzeitigen Requests mit je hundert Seiten und Decoding in Fenstern; welche GPU dahintersteht, nennt das Paper nicht. Der bezahlte Preis von Baidu Cloud ist nicht veröffentlicht.
- Ist Unlimited-OCR 2 sicher für Firmendaten?
- MIT-Lizenz, keine Nutzungsbeschränkungen. Selbst gehostet bleiben Dokumente auf deiner Hardware; bei Baidu AI Cloud bleiben zurückgegebene PDF-Links 30 Tage gültig, weitere Aufbewahrungsbedingungen nennt die API-Seite nicht.
- Was sind die besten Alternativen zu Unlimited-OCR 2?
- Die nächsten Alternativen, die wir getestet haben, sind PaddleOCR-VL-1.6, DeepSeek-OCR 2 und Mistral OCR 4.1.
Antworten geprüft am 28. Okt. 2026.