¿Qué es Unlimited-OCR 2?
Unlimited-OCR 2 es el modelo abierto de reconocimiento de documentos de Baidu, publicado el 27 de octubre de 2026 bajo la licencia MIT como sucesor de Unlimited-OCR, que apareció en junio. Mantiene la misma base, un codificador de visión DeepSeek-OCR con un decodificador mixture-of-experts de 3.000 millones de parámetros que activa unos 500 millones por token, y se postentrenó a partir del checkpoint de la primera versión.
La novedad es Sparse Reference Sliding Window Attention. La versión 1 mantenía estable su caché de memoria, pero seguía mirando cada imagen de página mientras escribía, y se detenía en 40 páginas. La versión 2 hace que cada paso atienda solo a las páginas relevantes y a un conjunto fijo de tokens de referencia, así que la velocidad de decodificación y la memoria se mantienen casi constantes sea cual sea la longitud del documento. La demostración de Baidu analiza un libro completo en una sola petición, y su artículo registra una aceleración por paso de 7,0 veces frente a la atención completa a escala de cien páginas.
Baidu publicó también MarathonDocBench, un conjunto de prueba de 100 documentos de 103 a 300 páginas. La API de análisis de documentos de Baidu AI Cloud funciona ahora con la versión 2; acepta PDF de hasta 500 páginas, devuelve Markdown o JSON y es gratuita por tiempo limitado, con 200 páginas de prueba para particulares verificados y 1.000 para empresas verificadas.
¿Merece la pena Unlimited-OCR 2?
Unlimited-OCR 2 es el primer modelo de OCR abierto creado para leer un libro entero de una vez y, según las cifras de Baidu, lo hace mucho mejor que los modelos de uso general. En MarathonDocBench, su propio conjunto de documentos de 103 a 300 páginas, obtiene 77,06 en total, mientras que el mejor rival de su tabla, Kimi-K3, se queda en 33,74 y Gemini 3.1 Pro Preview en 26,97. La versión 1 ni siquiera pudo participar por su límite de 40 páginas. El conjunto de prueba es de Baidu, sus etiquetas partieron de la salida de un parser antes de la corrección humana y nadie más ha publicado resultados con él todavía.
En el MPDocBench anterior, con documentos de hasta 30 páginas, obtiene 84,59 frente a 78,30 de Qwen3.8-Max, 76,25 de Gemini 3.8 Flash y 61,89 de su predecesor. Esa es la mejora práctica más importante para la mayoría de los compradores: un salto de 23 puntos en el trabajo de varias páginas para el que estaba pensada la versión 1, todo autodeclarado.
Con páginas sueltas la historia es otra. Su puntuación de 94,02 en OmniDocBench v1.6 apenas supera el 93,92 de la versión 1, y queda por detrás de TeleOCR con 96,91, OvisOCR2 con 96,47 y el 96,33 autodeclarado de PaddleOCR-VL-1.6. La propia sección de limitaciones de Baidu añade que la atención dispersa pierde información global del documento, lo que se nota en su métrica más floja: puntuaciones de jerarquía de títulos de 60,10 en MPDocBench y 48,20 en MarathonDocBench. Las etiquetas de entrenamiento también salieron de MinerU2.5-Pro y PaddleOCR-VL-1.6, así que en documentos cortos aprendió sobre todo a igualarlos.
El ahorro de memoria es la parte de ingeniería. Analizar por ventanas de páginas y reutilizar la caché en los límites de cada ventana reduce la memoria caché máxima en documentos de cien páginas de 47,00 GB a 1,77 GB por petición, y eleva el rendimiento con 16 peticiones simultáneas de 360 a 1.315 tokens por segundo, según el artículo.
Quienes lo alojen por su cuenta deberían leer con atención el ejemplo de despliegue. La versión 2 abandona las imágenes de vLLM que tenía la versión 1 y pide instalar un wheel personalizado de SGLang desde el repositorio del modelo, y el comando de ejemplo vuelve a vincular un servidor compatible con OpenAI a 0.0.0.0 en el puerto 10000 sin autenticación.
Dónde se gana su sitio
Un ingeniero de datos de un bufete que digitaliza contratos y escritos escaneados de 30 a 200 páginas
Convertir cada documento a Markdown de una pasada, sin código para unir páginas
Renderiza el PDF a 300 ppp y envía todas las páginas en una sola petición al servidor SGLang; el texto y las tablas que cruzan los saltos de página vuelven unidos. Revisa a mano los niveles de título, porque es la puntuación más floja del modelo.
Un equipo de plataforma de ML de una aseguradora china que procesa expedientes de siniestros
Analizar documentos sin comprar GPU mientras el volumen sea incierto
Usa la API alojada de Baidu AI Cloud, ya con la versión 2 y gratuita por tiempo limitado con PDF de hasta 500 páginas. Los envíos se limitan a 2 por segundo y los enlaces a los PDF de resultados caducan a los 30 días, así que hay que prever el almacenamiento posterior.
Un equipo que aloja sus propios sistemas en un archivo europeo con una política estricta de no usar la nube
Hacer OCR de libros completos e informes anuales en GPU propias
Activa la planificación por ventanas de páginas (10 páginas por ventana por defecto) para que la memoria caché máxima se mantenga cerca de los 1,77 GB que cita Baidu, y pon el servidor detrás de un proxy con autenticación en lugar de exponer el puerto que abre el ejemplo de Baidu.
Antes de decidirte
- Puesta en marcha
- Instala la pila de Transformers con versiones fijadas (torch 2.13.0, transformers 4.52.1) con trust_remote_code y llama a infer_multi con las imágenes de página en orden, o instala el wheel sglang-0.5.20.dev10 incluido en el repositorio del modelo y lanza el servidor con la plantilla de chat unlimited-ocr. Baidu lo probó en una A800 de 80 GB.
- Integraciones
- Transformers, un SGLang personalizado con planificación por ventanas de páginas y ms-swift para el ajuste fino; los pesos también están en ModelScope. La API asíncrona de análisis de documentos de Baidu AI Cloud devuelve JSON y Markdown, con las tablas también en HTML para conservar las celdas combinadas.
- Datos y privacidad
- Licencia MIT, sin restricciones de uso. Autoalojado, los documentos se quedan en tu hardware; en Baidu AI Cloud, los enlaces a los PDF devueltos son válidos 30 días y la página de la API no indica condiciones de retención más amplias.
- Coste a escala
- El checkpoint tiene 3.340 millones de parámetros bf16, unos 7 GB, así que basta una GPU de centro de datos para servirlo. Baidu registra 1.315 tokens por segundo con 16 peticiones simultáneas de cien páginas con decodificación por ventanas; el artículo no dice qué GPU hay detrás de esa cifra. La tarifa de pago de Baidu Cloud no se publica.
- Límites
- La configuración admite 131.072 posiciones, frente a 32.768 en la versión 1; el ejemplo de SGLang limita la salida a 20.000 tokens por página y advierte que una ventana de páginas más pequeña pierde la unión entre páginas. Los límites de Baidu Cloud son 2 envíos y 5 consultas de resultados por segundo, y 500 páginas y 100 MB por PDF mediante URL.
Lo bueno
- Analiza documentos de cientos de páginas en una sola petición
- 84,59 en MPDocBench, 23 puntos por encima de la versión 1 (autodeclarado)
- Memoria caché máxima de 1,77 GB en documentos de cien páginas
- Licencia MIT; unos 500 millones de parámetros activos por token
Lo malo
- El benchmark de documentos largos es de la propia Baidu y nadie lo ha replicado
- En páginas sueltas es menos preciso que TeleOCR, OvisOCR2 y PaddleOCR-VL-1.6
- Flojo en la jerarquía de títulos, según la propia Baidu
- Wheel personalizado de SGLang; el servidor de ejemplo escucha en todas las interfaces sin autenticación
Ideal para
Equipos que digitalizan informes, contratos y libros largos y quieren procesar documentos completos en sus propias GPU.
Alternativas a Unlimited-OCR 2
Unlimited-OCR 2: preguntas frecuentes
- ¿Merece la pena Unlimited-OCR 2?
- Unlimited-OCR 2 convierte un informe de 300 páginas en una sola llamada al modelo, y por ahora la única clasificación que lo demuestra es una que construyó Baidu. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta Unlimited-OCR 2?
- Gratuito bajo la licencia MIT. La API alojada de Baidu AI Cloud es gratuita por tiempo limitado (200 páginas de prueba para particulares, 1.000 para empresas); tarifas de pago no publicadas.
- ¿Qué inconvenientes tiene Unlimited-OCR 2?
- El benchmark de documentos largos es de la propia Baidu y nadie lo ha replicado; en páginas sueltas es menos preciso que TeleOCR, OvisOCR2 y PaddleOCR-VL-1.6; flojo en la jerarquía de títulos, según la propia Baidu; wheel personalizado de SGLang; el servidor de ejemplo escucha en todas las interfaces sin autenticación.
- ¿Para quién es Unlimited-OCR 2?
- Equipos que digitalizan informes, contratos y libros largos y quieren procesar documentos completos en sus propias GPU.
- ¿Cuánto cuesta Unlimited-OCR 2 para un equipo o en producción?
- El checkpoint tiene 3.340 millones de parámetros bf16, unos 7 GB, así que basta una GPU de centro de datos para servirlo. Baidu registra 1.315 tokens por segundo con 16 peticiones simultáneas de cien páginas con decodificación por ventanas; el artículo no dice qué GPU hay detrás de esa cifra. La tarifa de pago de Baidu Cloud no se publica.
- ¿Es Unlimited-OCR 2 seguro para los datos de la empresa?
- Licencia MIT, sin restricciones de uso. Autoalojado, los documentos se quedan en tu hardware; en Baidu AI Cloud, los enlaces a los PDF devueltos son válidos 30 días y la página de la API no indica condiciones de retención más amplias.
- ¿Cuáles son las mejores alternativas a Unlimited-OCR 2?
- Las alternativas más cercanas que hemos analizado son PaddleOCR-VL-1.6, DeepSeek-OCR 2 y Mistral OCR 4.1.
Respuestas comprobadas el 28 oct 2026.