百度は最近、3Bパラメータ規模のエンドツーエンドOCRモデル「Unlimited OCR」を公開し、オープンソース化しました。このモデルは書籍や論文などの長文ドキュメント解析に特化しています。プロジェクトがリリースされてからわずか数日でGitHubとHuggingFaceの4つのトレンドチャートにランクインし、オープンから5日でGitHubスター数が1万を突破しました。

技術的に見ると、Unlimited OCRの推論時にアクティブなパラメータは約570Mであり、初めてReference Sliding Window Attention（R-SWA）メカニズムが導入されています。このメカニズムにより、従来の「ページごとの解析＋結合」の制限を打ち破り、数十ページのドキュメントを一度に連続して解析することが可能になりました。また、デコード段階でのKV Cacheを一定の規模に制御することで、出力長が増加してもVRAM使用量や計算コストが急激に増加しなくなりました。

OmniDocBench v1.6のベンチマークテストにおいて、このモデルは93.92%という成績を記録し、新たな記録を樹立しました。実際のシナリオでは、DeepSeek OCRよりも推論速度が約12.7%向上し、6000トークンの出力長では速度の優位性が35%まで広がっています。これにより、膨大なドキュメントのデジタル化や大規模モデルの長期記憶管理に新たな道を開きました。