Baidu publie en open source Unlimited OCR 2 pour analyser des documents de cent pages
Baidu a publié en open source Unlimited OCR 2, un modèle de reconnaissance de documents conçu pour les très longs textes. Ce modèle de vision-langage de 3,34 milliards de paramètres, diffusé sous licence MIT avec son code sur GitHub, transforme des images de pages ordonnées en texte structuré (texte, tableaux, formules, figures, titres et ordre de lecture). Il traite en une seule requête des livres, dossiers financiers ou rapports de plusieurs centaines de pages. Il tourne sur un seul GPU CUDA en BF16, pour environ 6,7 Go de poids, et Baidu l'a testé sur une NVIDIA A800 de 80 Go. Son architecture reprend celle de DeepSeek-OCR : un encodeur SAM ViT-B associé à CLIP-L alimente un décodeur de 12 couches à mélange d'experts, où chaque jeton est routé vers 6 experts parmi 64, plus 2 experts partagés. Chaque page coûte 273 jetons d'image, et la longueur de position maximale atteint 131 072 jetons. Selon les mesures de Baidu, le modèle arrive premier sur les deux benchmarks multi-pages testés, face à neuf autres modèles : 84,6 sur MPDocBench (des dizaines de pages par document) et 77,1 sur MarathonDocBench (des centaines de pages). Le deuxième, Kimi-K3, n'obtient que 33,7 sur ce dernier, devant Gemini-3.8-Flash à 28,6.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'innovation centrale s'appelle SR-SWA, pour Sparse Reference Sliding Window Attention. Le coût de l'attention complète croît de façon quadratique avec la longueur de séquence, et chaque nouveau jeton doit parcourir un cache KV toujours plus grand : cent pages représentent déjà 27 300 jetons d'entrée avant toute sortie. SR-SWA comprime l'attention texte-vision en un ensemble fixe de références de travail, 512 jetons dans l'exemple de la fiche du modèle, avec une fenêtre locale de 128 jetons et une sélection des 16 meilleurs blocs de 32 jetons. La latence et la mémoire par étape restent ainsi quasi constantes à mesure que le document s'allonge, même si l'encodage des images et le temps total augmentent toujours avec le nombre de pages. L'enjeu se lit dans l'écart entre les benchmarks : Qwen3.8-Max chute de 78,3 à 22,9 sur les documents de cent pages, alors qu'Unlimited OCR 2 ne perd que 7,5 points. Son prédécesseur obtient 0,0 sur MarathonDocBench. Des limites demeurent : la hiérarchie des titres reste le point faible (48,2 sur MarathonDocBench, contre 60,1 sur MPDocBench), et les tableaux passent de 87,8 à 74,8.
Ce modèle fait suite à Unlimited-OCR, sorti en juin 2026 pour prolonger les travaux de DeepSeek-OCR, dans un domaine très disputé où figurent aussi DeepSeek-OCR-2 (janvier 2026) et PaddleOCR-VL-1.6, un modèle de 0,96 milliard de paramètres lui aussi signé Baidu. Il se distingue par son mécanisme dédié aux longs documents, que ses concurrents open source ne documentent pas. Plusieurs réserves s'imposent toutefois : tous les chiffres sont publiés par Baidu lui-même et n'apparaissent que sous forme d'image dans un graphique ; aucune version publique de MarathonDocBench n'a été trouvée, alors que MPDocBench-Parse est public (433 documents, 3 246 pages) ; enfin, le nombre de paramètres actifs n'est pas précisé. Le déploiement passe par Transformers ou par une version personnalisée de SGLang. Reste à voir si des évaluations indépendantes confirmeront ces résultats sur des corpus réels.
Pas d\'impact direct sur la France/UE