Baidu açık kaynaklı uzun belge OCR modeli Unlimited OCR 2'yi sundu

Baidu'nun yeni açık kaynaklı OCR modeli Unlimited OCR 2, belge işleme alanında dikkat çeken bir adım olarak karşına çıktı. 27 Ekim 2026 tarihinde duyurulan model, uzun belgeleri tek bir istekle işleme yeteneğiyle öne çıkıyor.

Modelin teknik özellikleri

Unlimited OCR 2, 3,34 milyar parametreye sahip ve MIT lisansı altında dağıtılıyor. BF16 ağırlık boyutu yaklaşık 6,7 GB olarak belirtiliyor. Model, SAM ViT-B ve CLIP-L kodlayıcı ile 12 katmanlı karışım-uzmanları (MoE) kodlayıcıya beslenen bir mimari kullanıyor. Her token, 64 uzmandan 6 tanesine ve 2 paylaşılan uzmana yönlendiriliyor. Modelin tek bir CUDA GPU üzerinde BF16 ile çalışabilmesi, donanım gereksinimlerini düşük tutuyor.

Performans ve test sonuçları

Baidu'nun kendi raporlarına göre, model MarathonDocBench testinde 77,1 puan alarak ilk sıraya geldi. Aynı testte en yakın rakip model 33,7 puan aldı. MPDocBench testinde ise modelin genel puanı 84,6 olarak ölçüldü. MPDocBench, 433 belge ve 3.246 sayfa içeren açık bir test kümesi olarak tanımlanıyor. MarathonDocBench'in herkese açık bir sürümü bulunamadığı da not ediliyor.

Modelin alt puanları şöyle sıralanıyor: metin 94,8 ve 89,6, formül 89,4 ve 87,9, okuma sırası 92,3 ve 85,3, tablo 87,8 ve 74,8, başlık hiyerarşisi 60,1 ve 48,2. Başlık hiyerarşisi alt puanının MarathonDocBench'te 48,2 olarak modelin en zayıf noktası olduğu ifade ediliyor. Yüzlü sayfalık puan düşüşü 7,5 puan olarak kaydediliyor.

Uzun belgelerde sabit maliyet avantajı

SR-SWA (Sparse Reference Sliding Window Attention) adlı azami dikkat şeması, metin-görsel dikkati sabit bir çalışma referans kümesine sıkıştırıyor. Bu sayede sayfa sayısı arttıkça adım başına kodlama maliyeti neredeyse sabit kalıyor. Çok sayfalı modda her sayfa 273 görüntü token'ı maliyetine sahip. Yerel pencere boyutu 128 token, seçim sayısı top-16, blok boyutu 32 token ve blok sayısı 16 olarak belirtiliyor.

Baidu, testlerini NVIDIA A800-80GB ekran kartında gerçekleştirdiği bildiriliyor. Model Transformers ve SGLang üzerinden çalıştırılabiliyor. Tüm performans verileri Baidu'nun kendi raporlarından ve grafiklerinden geliyor. Unlimited OCR 2, Haziran 2026'da yayınlanan Unlimited-OCR modelinin devamı niteliğinde ve DeepSeek-OCR'ı daha da ileri götürme amacıyla geliştirilmiş.

Neden önemli?

Unlimited OCR 2, uzun belgelerin tek bir istekle işlenebilmesiyle belge dijitalleştirme ve otomatik veri çıkarma süreçlerinde önemli bir gelişme yaratıyor. Modelin açık kaynaklı olması ve düşük donanım gereksinimleri, geniş kitlelerin erişimini kolaylaştırıyor. Baidu'nun kendi raporlarına göre gösterdiği yüksek performans, sektörde yeni bir rekabet seviyesi oluşturabilir.

Kaynak: The Batch / MarkTechPost

Temsili görsel: Mikhail Nilov / Pexels