바이두는 매우 긴 문서를 위해 설계된 오픈소스 OCR 모델인 Unlimited OCR 2를 출시했습니다. 이 3B 모델은 한 번의 요청으로 수백 페이지에 달하는 책, 서류 및 보고서를 분석합니다. 핵심적인 변화는 단계별 디코딩 비용을 거의 일정하게 유지하는 스파스 어텐션 방식인 SR-SWA입니다. 해당 모델의 라이선스는 MIT 라이선스이며, 코드는 GitHub에 공개되어 있습니다.
요약:
크기: 3.34B 파라미터. 활성 파라미터는 공개되지 않음. 최대 위치 길이는 131,072 토큰입니다.
운용 환경: BF16에서 CUDA GPU 1개. 바이두는 NVIDIA A800-80GB에서 테스트를 수행했습니다. BF16 가중치의 총 크기는 약 6.7GB입니다.
성능: 바이두가 테스트한 다중 페이지 벤치마크에서 다른 9개 모델과 비교해 모두 1위를 기록했습니다(자체 보고).
최고: MarathonDocBench에서 전체 점수 77.1점(수백 페이지). 다음 모델인 Kimi-K3는 33.7점을 기록합니다.
최악: MarathonDocBench에서 헤딩 계층 구조(TEDS) 점수가 48.2로, 이는 해당 항목의 가장 낮은 하위 점수입니다.
Unlimited OCR 2란 무엇인가요?
Unlimited OCR 2는 바이두의 3B 규모 비전-언어 모델로, 순서가 지정된 페이지 이미지를 구조화된 텍스트로 변환합니다. 출력에는 텍스트, 표, 수식, 그림, 제목 및 읽기 순서가 포함됩니다. 이 모델은 2026년 6월에 출시되어 DeepSeek-OCR을 한층 더 발전시킨 Unlimited-OCR의 후속 버전입니다.
구성은 DeepSeek-OCR 스타일의 레이아웃을 유지합니다. SAM ViT-B와 CLIP-L 인코더가 12층의 혼합형 전문가 디코더에 입력됩니다. 각 토큰은 64개의 전문가 중 6명과 공유 전문가 2명에게 라우팅됩니다. DeepSeek-OCR 논문에서는 이 디코더를 DeepSeek3B-MoE-A570M으로 설명하고 있습니다. 바이두는 버전 2에 대한 활성 계수를 명시하지 않았습니다. 다중 페이지 모드에서는 각 페이지당 이미지 토큰 273개가 소요됩니다.
SR-SWA는 어떻게 작동하나요?
전체 주의력 비용은 시퀀스 길이에 따라 제곱적으로 증가합니다. 디코딩 과정에서 각 새로운 토큰은 더 긴 KV 캐시를 탐색합니다. 페이지당 이미지 토큰 수가 273개일 때, 100페이지는 출력이 발생하기 전에 이미 27,300개의 입력 토큰을 추가합니다.
SR-SWA는 스파스 레퍼런스 슬라이딩 윈도우 어텐션의 약자입니다. 이는 텍스트-비주얼 주의를 고정된 작업 참조 집합으로 압축합니다. 바이두의 모델 카드에서는 예시 크기로 512개의 토큰을 제시합니다. 구성에서는 128개 토큰 규모의 로컬 윈도우와 32개 토큰 블록에 대한 상위 16개 선택을 결합합니다. 즉, 32개 토큰으로 이루어진 16개의 블록으로, 512개 토큰의 예산과 일치합니다.
이는 문서가 커져도 단계별 지연 시간과 메모리를 거의 일정하게 유지합니다. 이는 유한한 컨텍스트 창 내에서 ‘무제한 시야’ 파싱이라고 부릅니다. 이미지 인코딩과 전체 실행 시간은 여전히 페이지 수에 따라 증가합니다.
MPDocBench와 MarathonDocBench에서의 성과는 어떠한가요?
바이두 팀은 문서당 수십 페이지를 포함하는 MPDocBench와 수백 페이지를 포함하는 MarathonDocBench에서 테스트를 수행했습니다. MPDocBench-Parse는 433개의 문서와 3,246페이지로 구성된 공개 벤치마크입니다. 우리는 공개된 MarathonDocBench 버전을 찾지 못했습니다.
바이두의 리더보드 차트에 따르면, Unlimited OCR 2는 MPDocBench에서 84.6점을 기록합니다. Qwen3.8-Max는 78.3점으로 그 뒤를 이으며, 이어 Qwen-3.8-Flash-Next가 77.4점을 얻습니다. MarathonDocBench에서는 77.1점을 기록합니다. 다음으로 Kimi-K3가 33.7점, 그리고 Gemini-3.8-Flash가 28.6점을 기록합니다.
벤치마크 간의 하락폭이 진짜 핵심이다. Qwen3.8-Max는 100페이지 분량의 문서에서 점수가 78.3에서 22.9로 떨어진다. Unlimited OCR 2는 7.5점 하락했다. 이전 버전인 Unlimited-OCR는 MarathonDocBench에서 0.0점을 기록한다.
하위 점수(MPDocBench / MarathonDocBench):
94.8 / 89.6
수식: 89.4 / 87.9
읽기 순서: 92.3 / 85.3
테이블: 87.8 / 74.8
제목 계층 구조: 60.1 / 48.2
MPDocBench에서 단일 지표 기반 마진은 매우 좁습니다. Qwen3.8-Max는 텍스트 부문에서 94.3점, 수식 부문에서 89.2점을 기록했습니다. 모든 수치는 자체 보고된 값이며 차트 이미지에만 표시됩니다.
다른 오픈 OCR 모델과의 비교
무제한 OCR 2무제한-OCRDeepSeek-OCR-2PaddleOCR-VL-1.6개발자바이두바이두DeepSeek바이두 PaddlePaddle매개변수3.34B3.34B3.39B0.96B활성 매개변수공개되지 않음공개되지 않음공개되지 않음공개되지 않음라이선스MITMITApache 2.0Apache 2.0논문 / 발표2026년 10월(보고서)2026년 6월(arXiv)2026년 1월(arXiv)2026년 6월(arXiv)장문 처리 메커니즘SR-SWA, 512토큰 참조 세트다중 페이지 추론다중, SR-SWA 없음공개되지 않음공개되지 않음MPDocBench 종합84.6(바이두)61.9(바이두)보고되지 않음보고되지 않음MarathonDocBench 종합77.1(바이두)0.0(바이두)보고되지 않음보고되지 않음서비스Transformers, 맞춤형 SGLangTransformers, vLLM, SGLangTransformers, SGLangPaddleOCR, Transformers
각 모델의 Hugging Face 페이지에 나와 있는 파라미터 수와 라이선스 정보. 바이두의 차트에 기재된 벤치마크 점수.
Unlimited OCR 2는 어떻게 실행하나요?
모델 카드에는 빠른 테스트를 위한 Transformers와 서비스를 위한 SGLang이 나열되어 있습니다. Transformers에서는 gundam 모드라고 불리는 동적 타일링을 사용하여 1페이지를 처리합니다. infer_multi는 문서의 모든 페이지를 하나의 요청으로 파싱하므로, 모델은 페이지 간 컨텍스트를 유지합니다. 로딩 시 trust_remote_code=True를 설정해야 하며, 이 옵션은 저장소의 Python 코드를 실행합니다.
SGLang 서빙은 업스트림 SGLang이 아닌 바이두의 맞춤형 휠을 사용합니다. 바이두의 예시에서는 각 윈도우당 10개의 페이지를 스케줄링하고, 이전 윈도우의 KV 테일을 재사용합니다. 더 작은 윈도우는 메모리 피크를 줄이지만 페이지 간 병합 기능을 약화시킵니다. 바이두는 기본적인 편향 설정이 462 MiB 규모의 할당을 유발해 메모리 부족 상태에 이를 수 있다고 경고합니다.
주요 요약
Unlimited OCR 2는 바이두에서 제공하는 MIT 라이선스의 3.34B 규모 OCR 모델입니다.
SR-SWA는 고정된 512토큰 참조 세트에 주목합니다.
MarathonDocBench에서 이 제품은 77.1점을 기록했으며, 다음 모델의 점수는 33.7점입니다.
제목 계층 구조는 장문 문서에서 48.2점으로 취약한 부분입니다.
모든 벤치마크 수치는 바이두의 자체 기준입니다.
모델 카드, 기술 보고서 및 GitHub 저장소를 확인해 보세요. 또한 트위터에서 저희를 팔로우해 주시고, 15만 명이 넘는 ML 서브레딧에 참여하시며 뉴스레터도 구독해 주시기 바랍니다. 잠깐! 텔레그램을 사용하시나요? 이제 텔레그램에서도 저희와 함께하실 수 있습니다.
GitHub 리포지토리, Hugging Face 페이지, 제품 출시, 웨비나 등을 홍보하기 위해 저희와 파트너십을 맺고 싶으신가요? 저희와 연락해 주세요.
Baidu가 수백 페이지에 달하는 문서 파싱을 위한 무제한 OCR 2를 오픈소스로 공개했다는 글은 MarkTechPost에 처음 게재되었습니다.