Baidu、SR-SWAで無制限長の文書解析に対応したUnlimited OCR 2を公開

スペック

ライセンスMIT
重みの公開ModelScope、Baidu Cloud、Hugging Face Spacesで公開

メモリの目安はパラメータ数×0.6バイトの概算で、実際はコンテキスト長と実装で変わります

Baiduは2026年10月27日、OCRモデル baidu/Unlimited-OCR-2 を公開しました。Sparse Reference Sliding Window Attention(SR-SWA)により、注意の対象を固定サイズの参照集合(例: 512 tokens)に圧縮し、文書の長さに上限のない「無制限ホライズン」の解析に対応します。ライセンスはMITです。

何が新しいか

SR-SWAは、超長系列でのテキストと視覚の注意相互作用を、固定サイズの作業参照集合へ圧縮します。Baiduはこれにより計算量を抑え、文書長にかかわらずステップごとのデコード遅延とメモリ使用量をほぼ一定に保てると説明しています。有限のコンテキストウィンドウの中で、文書が長くなるにつれて生じる注意の二次的なスケーリングとメモリのボトルネックを解消するという位置づけです。

Baiduは、数十ページ規模のMPDocBenchと100ページ規模のMarathonDocBenchの両方で最先端性能を達成したとしています。前身のUnlimited-OCRは、Deepseek-OCRをさらに一歩進めることを目指したモデルとして2026年6月に公開されていました。

提供先と推論エンジン

BaiduはModelScope community、Baidu Cloud teamの支援を受け、ModelScopeとBaidu Cloudでもモデルを提供しています。AKがHugging Face Spaces上にデモを作成しました。推論エンジンはTransformers(ネイティブ対応、クイックテスト向け)とSGLang(サービング向けの推奨)に対応します。

試し方(Transformers)

Baiduのテスト環境はPython 3.10、torch==2.13.0、transformers==4.52.1、huggingface-hub==0.36.0、tokenizers==0.21.4、NVIDIA A800-80GBです。依存関係は次のとおりです。

pip install torch==2.13.0 torchvision pillow transformers==4.52.1 huggingface-hub==0.36.0 tokenizers==0.21.4 addict==2.4.0 einops==0.8.2 easydict==1.13

読み込みは AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) と AutoModel.from_pretrained(model_name, trust_remote_code=True, use_safetensors=True, torch_dtype=torch.bfloat16).eval().cuda() で行います。

複数ページの解析には model.infer_multi を使い、ページ画像をページ順に image_files へ渡します。全ページを1リクエストで解析するため、モデルはページ間のコンテキストを利用できます。各ページは1枚のグローバルビュー(base mode)としてエンコードされ、出力は入力と同じ順序でページごとに区切られます。単一ページの model.infer は、デフォルトで動的タイリング(gundam mode)を使います。

この記事の固有名詞

コメント (0)

まだコメントはありません。

コメントを書く

2000文字以内