Baidu, Unlimited-OCR 2'yi açık kaynak olarak yayınladı: Yüz sayfalık belgeler tek adımda 5,6 kat daha hızlı çözülüyor, her adımda tüm kitabı görmeye gerek yok

动察 Beating AI hızlı haber: Baidu, yaklaşık 3 milyar parametreli Unlimited-OCR 2 modelini yayınladı ve açık kaynak haline getirdi; çıkarım sırasında yalnızca yaklaşık 500 milyon parametre etkinleştiriliyor.

Haziran ayında tanıtılan ilk sürüm yaklaşık 40 sayfalık belgeleri sürekli olarak ayrıştırabiliyordu, ancak sayfa sayısı arttıkça her token üretiminde tüm sayfaların görsel bilgilerine dikkat edilmesi gerektiğinden kod çözme giderek yavaşlıyordu.

İkinci sürüm, SR-SWA seyrek dikkat mekanizmasını devreye sokuyor. Model artık her seferinde tüm sayfaların görsel bilgilerini incelemiyor; bunun yerine öncelikle geçerli sayfaya odaklanıyor, ardından az sayıda ilgili görsel bilgiyi seçip en son üretilen metinle birleştirerek tanımaya devam ediyor. Yüz sayfalık testte tek adımlı kod çözme, eski R-SWA dikkat çözümüne göre yaklaşık 5,6 kat, geleneksel tam dikkat yöntemine göre ise yaklaşık 7 kat daha hızlı.

Bellek tasarrufu da oldukça belirgin. Yüz sayfalık belge testinde blok bazlı kod çözme ve sayfalar arası önbellek yeniden kullanımı sayesinde tek yollu çıkarımın tepe KV önbellek belleği 47 GB'den 1,77 GB'ye düştü. Bir başka 16 yollu eşzamanlı testte üretim verimi saniyede 360 tokendan 1315 tokene yükseldi.

Baidu ayrıca, 103 ila 300 sayfa arasında değişen 100 belgeden oluşan ve modellerin uzun belge ayrıştırma yeteneğini test eden MarathonDocBench'i oluşturdu. Unlimited-OCR 2, 77,06 puan alırken Gemini 3.8 Flash 28,61 puan, Qwen3.8 Max ise 22,93 puan aldı. Bu sonuçlar Baidu'nun kendi oluşturduğu kıyaslama testinden elde edildi.

Gerçekte çok uzun belgeler işlenirken sistem ayrıca pencerelere bölerek işlem yapabiliyor ve bellek maliyetini daha da düşürmek için önceki pencerenin önbelleğinin bir kısmını yeniden kullanabiliyor. Ancak pencerenin çok küçük olması sayfalar arası içerik geçişini etkileyebilir. Makale de yeni mekanizmanın belgenin küresel bilgilerini tam olarak koruyamadığını ve çok düzeyli başlıklar gibi genel yapıların hâlâ yanlış tanınabileceğini kabul ediyor.