O que é Unlimited-OCR 2?
O Unlimited-OCR 2 é o modelo aberto de reconhecimento de documentos da Baidu, lançado em 27 de outubro de 2026 sob a licença MIT como sucessor do Unlimited-OCR, que apareceu em junho. Ele mantém a mesma base, um codificador de visão do DeepSeek-OCR com um decodificador mixture-of-experts de 3 bilhões de parâmetros que ativa cerca de 500 milhões por token, e passou por pós-treinamento a partir do checkpoint da primeira versão.
A mudança é a Sparse Reference Sliding Window Attention. A versão 1 mantinha o cache de memória estável, mas ainda olhava para trás, para cada imagem de página, enquanto escrevia, e parava em 40 páginas. A versão 2 deixa cada passo atender só às páginas relevantes e a um conjunto fixo de tokens de referência, então a velocidade de decodificação e a memória ficam quase constantes, seja qual for o tamanho do documento. A demonstração da Baidu analisa um livro inteiro em uma só requisição, e o artigo dela relata um ganho de velocidade por passo de 7,0 vezes sobre a atenção completa na escala de cem páginas.
A Baidu também lançou o MarathonDocBench, um conjunto de teste de 100 documentos de 103 a 300 páginas. A API de análise de documentos da Baidu AI Cloud agora roda na versão 2; ela aceita PDFs de até 500 páginas, devolve Markdown ou JSON e é grátis por tempo limitado, com 200 páginas de teste para pessoas físicas verificadas e 1.000 para empresas verificadas.
Unlimited-OCR 2 vale a pena?
O Unlimited-OCR 2 é o primeiro modelo aberto de OCR feito para ler um livro inteiro de uma vez, e pelos números da Baidu ele faz isso muito melhor que modelos de uso geral. No MarathonDocBench, o conjunto próprio da Baidu de documentos de 103 a 300 páginas, ele marca 77,06 no geral, enquanto o melhor rival da tabela, o Kimi-K3, chega a 33,74 e o Gemini 3.1 Pro Preview a 26,97. A versão 1 nem pôde participar por causa do limite de 40 páginas. O conjunto de teste é da Baidu, seus rótulos partiram da saída de um parser antes da correção humana, e ninguém mais publicou resultados nele ainda.
No MPDocBench, mais antigo, com documentos de até 30 páginas, ele marca 84,59, contra 78,30 do Qwen3.8-Max, 76,25 do Gemini 3.8 Flash e 61,89 do antecessor. Esse é o ganho prático maior para a maioria dos compradores: um salto de 23 pontos no trabalho com várias páginas para o qual a versão 1 foi feita, tudo autodeclarado.
Páginas únicas são outra história. A nota de 94,02 no OmniDocBench v1.6 fica pouco acima dos 93,92 da versão 1, e atrás do TeleOCR com 96,91, do OvisOCR2 com 96,47 e dos 96,33 autodeclarados do PaddleOCR-VL-1.6. A própria seção de limitações da Baidu acrescenta que a atenção esparsa perde informação global do documento, o que aparece em sua métrica mais fraca: notas de hierarquia de títulos de 60,10 no MPDocBench e 48,20 no MarathonDocBench. Os rótulos de treinamento também vieram do MinerU2.5-Pro e do PaddleOCR-VL-1.6, então, em documentos curtos, ele aprendeu em grande parte a igualá-los.
A economia de memória é a história de engenharia. Analisar em janelas de páginas e reaproveitar o cache nos limites das janelas reduz o pico de memória de cache em documentos de cem páginas de 47,00 GB para 1,77 GB por requisição, e eleva o throughput com 16 requisições simultâneas de 360 para 1.315 tokens por segundo, segundo o artigo.
Quem hospeda por conta própria ainda deve ler o exemplo de servidor com atenção. A versão 2 abandona as imagens de vLLM que a versão 1 tinha e pede que você instale um wheel personalizado do SGLang a partir do repositório do modelo, e o comando de exemplo de novo vincula um servidor compatível com OpenAI a 0.0.0.0 na porta 10000, sem autenticação.
Onde ele se destaca
Um engenheiro de dados em um escritório de advocacia digitalizando contratos e petições escaneados de 30 a 200 páginas
Converter cada documento em Markdown de uma vez, sem código para costurar páginas
Renderize o PDF a 300 dpi e envie todas as páginas em uma requisição ao servidor SGLang; textos e tabelas que atravessam páginas voltam unidos. Confira os níveis de títulos à mão, já que essa é a nota mais fraca do modelo.
Uma equipe de plataforma de ML em uma seguradora chinesa que processa arquivos de sinistros
Rodar análise de documentos sem comprar GPUs enquanto os volumes são incertos
Use a API hospedada da Baidu AI Cloud, agora na versão 2 e grátis por tempo limitado, com PDFs de até 500 páginas. Os envios são limitados a 2 por segundo e os links dos PDFs de resultado expiram após 30 dias, então o armazenamento posterior precisa estar previsto.
Uma equipe que hospeda por conta própria em um arquivo europeu com política rígida de não usar nuvem
Fazer OCR de livros inteiros e relatórios anuais em GPUs internas
Ative o agendamento por janelas de páginas (10 páginas por janela por padrão) para que o pico de memória de cache fique perto do número de 1,77 GB da Baidu, e coloque o servidor atrás de um proxy com autenticação em vez de expor a porta que o exemplo da Baidu abre.
Antes de decidir
- Configuração
- Instale a stack de Transformers fixada (torch 2.13.0, transformers 4.52.1) com trust_remote_code e chame infer_multi com as imagens das páginas em ordem, ou instale o wheel sglang-0.5.20.dev10 que vem no repositório do modelo e inicie o servidor com o template de chat unlimited-ocr. A Baidu testou em uma A800 de 80 GB.
- Integrações
- Transformers, um SGLang personalizado com agendamento por janelas de páginas e ms-swift para fine-tuning; pesos também no ModelScope. A API assíncrona de análise de documentos da Baidu AI Cloud devolve JSON e Markdown, com tabelas também em HTML para manter as células mescladas.
- Dados e privacidade
- Licença MIT, sem restrições de uso. Auto-hospedado, os documentos ficam no seu hardware; na Baidu AI Cloud, os links de PDF devolvidos valem por 30 dias e termos de retenção mais amplos não constam na página da API.
- Custo em escala
- O checkpoint tem 3,34 bilhões de parâmetros bf16, cerca de 7 GB, então uma GPU de data center o serve. A Baidu relata 1.315 tokens por segundo com 16 requisições simultâneas de cem páginas e decodificação em janelas; o artigo não informa a GPU por trás desse número. O preço pago da Baidu Cloud não é publicado.
- Limites
- A configuração permite 131.072 posições, acima das 32.768 da versão 1; o exemplo de SGLang limita a saída a 20.000 tokens por página e avisa que uma janela de páginas menor perde a junção entre páginas. Os limites da Baidu Cloud são 2 envios e 5 consultas de resultado por segundo, 500 páginas e 100 MB por PDF via URL.
O que é bom
- Analisa documentos de centenas de páginas em uma só requisição
- 84,59 no MPDocBench, 23 pontos acima da versão 1 (autodeclarado)
- Pico de memória de cache de 1,77 GB em documentos de cem páginas
- Licença MIT; cerca de 500M de parâmetros ativos por token
O que não é
- O benchmark de documentos longos é da própria Baidu e não foi replicado
- Precisão em página única atrás de TeleOCR, OvisOCR2 e PaddleOCR-VL-1.6
- Fraco em hierarquia de títulos, segundo a própria Baidu
- Wheel personalizado do SGLang; o servidor de exemplo escuta em todas as interfaces sem autenticação
Ideal para
Equipes que digitalizam relatórios, contratos e livros longos e querem processar documentos inteiros em suas próprias GPUs.
Alternativas ao Unlimited-OCR 2
Unlimited-OCR 2: perguntas frequentes
- Unlimited-OCR 2 vale a pena?
- O Unlimited-OCR 2 transforma um relatório de 300 páginas em uma única chamada ao modelo, e por enquanto o único placar que prova isso é um que a própria Baidu montou. Damos nota 4.2 de 5.
- Quanto custa Unlimited-OCR 2?
- Grátis sob a licença MIT. A API hospedada da Baidu AI Cloud é grátis por tempo limitado (200 páginas de teste para pessoas físicas, 1.000 para empresas); preços pagos não publicados.
- Quais são as desvantagens de Unlimited-OCR 2?
- O benchmark de documentos longos é da própria Baidu e não foi replicado; precisão em página única atrás de TeleOCR, OvisOCR2 e PaddleOCR-VL-1.6; fraco em hierarquia de títulos, segundo a própria Baidu; wheel personalizado do SGLang; o servidor de exemplo escuta em todas as interfaces sem autenticação.
- Para quem Unlimited-OCR 2 é indicado?
- Equipes que digitalizam relatórios, contratos e livros longos e querem processar documentos inteiros em suas próprias GPUs.
- Quanto custa Unlimited-OCR 2 para uma equipe ou em produção?
- O checkpoint tem 3,34 bilhões de parâmetros bf16, cerca de 7 GB, então uma GPU de data center o serve. A Baidu relata 1.315 tokens por segundo com 16 requisições simultâneas de cem páginas e decodificação em janelas; o artigo não informa a GPU por trás desse número. O preço pago da Baidu Cloud não é publicado.
- Unlimited-OCR 2 é seguro para dados da empresa?
- Licença MIT, sem restrições de uso. Auto-hospedado, os documentos ficam no seu hardware; na Baidu AI Cloud, os links de PDF devolvidos valem por 30 dias e termos de retenção mais amplos não constam na página da API.
- Quais são as melhores alternativas ao Unlimited-OCR 2?
- As alternativas mais próximas que analisamos são PaddleOCR-VL-1.6, DeepSeek-OCR 2 e Mistral OCR 4.1.
Respostas verificadas em 28 de out. de 2026.