Unlimited-OCR 2とは？
Unlimited-OCR 2はBaiduのオープンな文書認識モデルで、6月に登場したUnlimited-OCRの後継として2026年10月27日にMITライセンスで公開されました。ベースは同じで、DeepSeek-OCRのビジョンエンコーダーと、トークンあたり約5 億（500 million）がアクティブになる30億（3-billion）パラメータのmixture-of-expertsデコーダーです。初代のチェックポイントから事後学習されています。
変更点はSparse Reference Sliding Window Attentionです。バージョン1はメモリキャッシュを一定に保っていましたが、出力中にすべてのページ画像を参照し続け、40ページで止まっていました。バージョン2では各ステップが関連するページと固定された参照トークンだけに注意を向けるため、文書がどれだけ長くてもデコード速度とメモリはほぼ一定です。Baiduのデモでは1冊の本全体を1回のリクエストで解析しており、論文では100ページ規模でフルアテンションに対してステップあたり7.0倍の高速化を報告しています。
Baiduは、103〜300ページの文書100件からなるテストセットMarathonDocBenchも公開しました。Baidu AI Cloudの文書解析APIは現在バージョン2で動いています。最大500ページのPDFを受け付け、MarkdownまたはJSONを返し、期間限定で無料です。本人確認済みの個人には200ページ、認証済みの企業には1,000ページのテスト枠があります。
Unlimited-OCR 2は使う価値があるか？
Unlimited-OCR 2は、本1冊を一度に読むために作られた初めてのオープンなOCRモデルで、Baiduの数値では汎用モデルをはるかに上回ります。103〜300ページの文書からなる自社のMarathonDocBenchでは総合77.06で、表中で最も良い競合のKimi-K3は33.74、Gemini 3.1 Pro Previewは26.97です。バージョン1は40ページの上限のため参加すらできませんでした。テストセットはBaiduのもので、ラベルはパーサーの出力をもとに人が修正したものであり、他者による結果はまだ公開されていません。
最大30ページの文書からなる従来のMPDocBenchでは84.59で、Qwen3.8-Maxは78.30、Gemini 3.8 Flashは76.25、前バージョンは61.89です。多くの購入者にとっては、こちらのほうが実用上大きな向上です。バージョン1が本来対象としていた複数ページの作業で23ポイント上がっています。いずれも自己申告です。
単一ページでは事情が違います。OmniDocBench v1.6のスコアは94.02で、バージョン1の93.92をわずかに上回るだけです。TeleOCRの96.91、OvisOCR2の96.47、PaddleOCR-VL-1.6の自己申告の96.33を下回ります。Baidu自身の制約に関する節は、スパースアテンションが文書全体の情報を失うと付け加えています。これは最も弱い指標に表れており、見出し階層のスコアはMPDocBenchで60.10、MarathonDocBenchで48.20です。学習用のラベルはMinerU2.5-ProとPaddleOCR-VL-1.6からも取られているため、短い文書では主にそれらに合わせることを学んでいます。
エンジニアリング上の注目点はメモリの節約です。論文によると、ページのウィンドウ単位で解析し、ウィンドウの境界でキャッシュを再利用することで、100ページの文書でのリクエスト1件あたりのピークのキャッシュメモリが47.00 GBから1.77 GBに減ります。16件の同時リクエストでのスループットは毎秒360トークンから1,315トークンに上がります。
自前ホスティングする場合は、提供例を注意深く読んでください。バージョン2ではバージョン1にあったvLLMイメージがなくなり、モデルリポジトリのカスタムSGLang wheelのインストールを求められます。サンプルのコマンドは今回も、認証なしのOpenAI互換サーバーを0.0.0.0のポート10000にバインドします。
真価を発揮する場面
30〜200ページのスキャンした契約書や申立書をデジタル化する法律事務所のデータエンジニア
ページをつなぐコードなしで、各文書を1回でMarkdownに変換する
PDFを300 dpiでレンダリングし、全ページを1回のリクエストでSGLangサーバーに送ります。ページをまたぐテキストや表はつながった状態で返ってきます。見出しのレベルはモデルの最も弱いスコアなので、手作業で確認してください。
保険金請求ファイルを処理する中国の保険会社のMLプラットフォームチーム
処理量が不確かな間、GPUを買わずに文書解析を動かす
Baidu AI Cloudのホスト型APIを使います。現在はバージョン2で動き、期間限定で無料、最大500ページのPDFに対応します。送信は毎秒2件までで、結果のPDFのリンクは30日後に失効するため、後段のストレージを組み込む必要があります。
クラウド禁止の方針が厳しい欧州のアーカイブの自前ホスティングチーム
社内のGPUで書籍全体や年次報告書をOCRにかける
ページウィンドウのスケジューリング（標準では1ウィンドウ10ペ ージ）をオンにして、ピークのキャッシュメモリをBaiduの1.77 GBという数値近くに保ちます。Baiduの例が開くポートを公開せず、サーバーは認証付きのプロキシの背後に置いてください。
導入前に確認すること
- 導入
- バージョン固定のTransformersスタック（torch 2.13.0、transformers 4.52.1）をtrust_remote_code付きでインストールし、ページ画像を順番に渡してinfer_multiを呼び出します。または、モデルリポジトリに同梱のsglang-0.5.20.dev10 wheelをインストールし、unlimited-ocrのチャットテンプレートでサーバーを起動します。BaiduはA800 80 GBでテストしました。
- 連携
- Transformers、ページウィンドウのスケジューリングを備えたカスタマイズ版SGLang、ファインチューニング用のms-swiftに対応し、重みはModelScopeにもあります。Baidu AI Cloudの非同期の文書解析APIはJSONとMarkdownを返し、結合セルを保つために表はHTMLでも返します。
- データとプライバシー
- MITライセンスで、利用制限はありません。自前ホスティングなら文書は自分のハードウェアにとどまります。Baidu AI Cloudでは、返されたPDFのリンクは30日間有効で、それ以外の保持条件はAPIのページに書かれていません。
- 大規模利用時のコスト
- チェックポイントはbf16で33.4億（3.34 billion）パラメータ、約7 GBなので、データセンター向けGPU 1基で提供できます。Baiduは、ウィンドウ単位のデコードで100ページのリクエストを16件同時に処理した場合に毎秒1,315トークンと報告していますが、論文はその数値のGPUを明記していません。Baidu Cloudの有料の料金は公開されていません。
- 制限
- 設定上の位置数は131,072で、バージョン1の32,768から増えました。SGLangの例では出力をページあたり20,000トークンに制限しており、ページウィンドウを小さくするとページをまたぐ結合が失われると注意しています。Baidu Cloudの制限は、送信が毎秒2件、結果の照会が毎秒5件、URL指定のPDFは500ページと100 MBまでです。
良い点
- 数百ページの文書を1回のリクエストで解析します
- MPDocBenchで84.59、バージョン1より23ポイント上です（自己申告）
- 100ページの文書でピークのキャッシュメモリは1.77 GBです
- MITライセンスで、トークンあたりのアクティブパラメータは約500Mです
気になる点
- 長文書のベンチマークはBaidu自身のもので、再現されていません
- 単一ページの精度はTeleOCR、OvisOCR2、PaddleOCR-VL-1.6に劣ります
- Baidu自身の説明でも、見出し階層に弱いです
- カスタムSGLang wheelが必要で、サンプルのサーバーは認証なしですべてのインターフェースで待ち受けます
おすすめの人
長い報告書、契約書、書籍をデジタル化し、自社のGPUで文書全体を一度に処理したいチームです。
Unlimited-OCR 2の代替
Unlimited-OCR 2：よくある質問
- Unlimited-OCR 2は使う価値があるか？
- Unlimited-OCR 2は300ページの報告書を1回のモデル呼び出しに変えます。ただし今のところ、それを証明するスコアボードはBaiduが作ったものだけです。 評価は5点満点中4.2点です。
- Unlimited-OCR 2の料金は？
- MITライセンスで無料です。Baidu AI Cloudのホスト型APIは期間限定で無料です（テスト枠は個人200ページ、企業1,000ページ）。有料の料金は公開されていません。
- Unlimited-OCR 2の欠点は？
- 長文書のベンチマークはBaidu自身のもので、再現されていません; 単一ページの精度はTeleOCR、OvisOCR2、PaddleOCR-VL-1.6に劣ります; Baidu自身の説明でも、見出し階層に弱いです; カスタムSGLang wheelが必要で、サンプルのサーバーは認証なしですべてのインターフェースで待ち受けます.
- Unlimited-OCR 2は誰に向いているか？
- 長い報告書、契約書 、書籍をデジタル化し、自社のGPUで文書全体を一度に処理したいチームです。
- チームや本番環境でUnlimited-OCR 2を使うと費用はいくらか？
- チェックポイントはbf16で33.4億（3.34 billion）パラメータ、約7 GBなので、データセンター向けGPU 1基で提供できます。Baiduは、ウィンドウ単位のデコードで100ページのリクエストを16件同時に処理した場合に毎秒1,315トークンと報告していますが、論文はその数値のGPUを明記していません。Baidu Cloudの有料の料金は公開されていません。
- Unlimited-OCR 2は企業データを扱っても安全か？
- MITライセンスで、利用制限はありません。自前ホスティングなら文書は自分のハードウェアにとどまります。Baidu AI Cloudでは、返されたPDFのリンクは30日間有効で、それ以外の保持条件はAPIのページに書かれていません。
- Unlimited-OCR 2の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はPaddleOCR-VL-1.6, DeepSeek-OCR 2 、 Mistral OCR 4.1です。
回答確認日：2026年10月28日