Baidu lança OCR que processa documentos de centenas de páginas sem limites
Nova técnica de atenção permite analisar textos ultra longos mantendo custo computacional estável.
Edição: Anderson Gomes
· 6 min de leitura
---
Dados rápidos
- Repositório: baidu/Unlimited-OCR
- Licença: MIT
- Linguagem principal: Python
- Estrelas: 29.807 (247 no período)
- Forks: 3.176
- Data da consulta: 30 de outubro de 2026
---
O que é o Unlimited OCR e por que importa
O Unlimited OCR, desenvolvido pela Baidu Inc., representa uma evolução significativa no campo da extração de texto em imagens (OCR). Enquanto soluções tradicionais enfrentam limitações ao processar documentos longos — como livros digitalizados, contratos jurídicos ou relatórios técnicos — devido ao crescimento quadrático no custo computacional da atenção em modelos de linguagem, esta ferramenta promete eliminar barreiras com uma técnica inovadora. Lançado em junho de 2026 e atualizado constantemente até outubro, o projeto já acumula quase 30 mil estrelas no GitHub, indicando forte interesse da comunidade.
A versão 2, apresentada em outubro de 2026, introduz o conceito de "parsing de horizonte ilimitado", permitindo analisar documentos com centenas de páginas em uma única execução sem perder precisão ou aumentar significativamente o uso de memória.
O desafio que o Unlimited OCR supera
Documentos ultra longos representam um problema clássico para sistemas de OCR baseados em atenção. A arquitetura tradicional de transformers processa cada token em relação a todos os outros, resultando em complexidade quadrática. Isso significa que um documento com 10 mil tokens exige cerca de 100 milhões de interações, enquanto um com 100 mil tokens chega a 10 bilhões. Essa relação inviabiliza aplicações práticas em muitos cenários empresariais e acadêmicos.
O Unlimited OCR 2 resolve esse gargalo com a técnica Sparse Reference Sliding Window Attention (SR-SWA). Em vez de calcular atenção entre todos os tokens, o modelo mantém um conjunto fixo de referências — tipicamente 512 tokens — que servem como âncoras para o processamento. Essa abordagem reduz a complexidade computacional de quadrática para linear, mantendo latência e uso de memória praticamente constantes independentemente do tamanho do documento.
Como a técnica SR-SWA funciona na prática
A atenção deslizante com referências esparsas funciona criando uma janela móvel sobre o texto visual. Em vez de processar cada página isoladamente, o modelo mantém um conjunto de tokens de referência que representam o contexto relevante do documento inteiro. Durante a inferência, apenas esses tokens de referência interagem entre si, enquanto as páginas subsequentes são processadas em relação a esse conjunto fixo.
Esse mecanismo permite que o modelo mantenha coerência semântica ao longo de documentos extensos. Por exemplo, ao processar um contrato de 500 páginas, o sistema consegue identificar referências cruzadas entre cláusulas distantes sem precisar recarregar todo o contexto a cada nova página. A técnica foi validada em benchmarks como MarathonDocBench, projetado especificamente para testar limites de documentos ultra longos.
Casos de uso concretos para empresas e instituições
O Unlimited OCR 2 pode ser aplicado em diversos cenários que exigem processamento de grandes volumes de texto visual:
- Digitalização de acervos bibliográficos: bibliotecas e editoras podem converter livros inteiros para formato digital mantendo a estrutura original, incluindo notas de rodapé e referências
- Análise de contratos jurídicos: escritórios de advocacia conseguem extrair cláusulas específicas de contratos extensos sem perder contexto entre diferentes seções
- Processamento de relatórios técnicos: empresas de engenharia e pesquisa podem digitalizar manuais e relatórios com centenas de páginas mantendo a precisão de tabelas e diagramas
- Automação de arquivos médicos: hospitais podem digitalizar prontuários de pacientes com anos de histórico sem fragmentar informações relevantes
- Indexação de documentos governamentais: órgãos públicos podem processar leis, decretos e regulamentos completos para sistemas de busca sem perder referências cruzadas
Instalação e primeiros passos com o modelo
Para testar o Unlimited OCR 2, é necessário instalar as dependências listadas no repositório. O projeto recomenda Python 3.10 e pacotes específicos como torch 2.13.0 e transformers 4.52.1. O modelo está disponível no Hugging Face e pode ser carregado com apenas algumas linhas de código:
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
Para carregar o modelo:
import torch
from transformers import AutoModel, AutoTokenizer
model_name = "baidu/Unlimited-OCR-2"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModel.from_pretrained(model_name, trust_remote_code=True, use_safetensors=True,
torch_dtype=torch.bfloat16).eval().cuda()
O repositório fornece exemplos de inferência multi-páginas, onde todas as páginas de um documento são processadas em uma única requisição, permitindo que o modelo utilize contexto cruzado entre páginas.
Comparação com alternativas existentes
O Unlimited OCR 2 se diferencia do DeepSeek-OCR, seu predecessor, principalmente pela técnica SR-SWA que elimina o crescimento quadrático de custo computacional. Enquanto soluções tradicionais precisam dividir documentos longos em segmentos menores ou usar janelas deslizantes com sobreposição, o modelo da Baidu processa todo o documento de forma contínua.
Outras alternativas como Tesseract ou EasyOCR não foram projetadas para documentos ultra longos e exigem pós-processamento significativo para manter coerência. O Unlimited OCR 2, por outro lado, integra processamento visual e textual em uma única arquitetura, reduzindo a necessidade de etapas adicionais de tratamento de dados.
Limitações e cuidados na adoção
Apesar do avanço técnico, o projeto apresenta algumas limitações importantes. Por ser lançado em junho de 2026 e ainda não possuir uma release oficial estável, trata-se de uma implementação em evolução rápida. O repositório mantém 93 issues abertas, indicando que problemas de integração e bugs ainda estão sendo resolvidos pela comunidade.
A instalação requer configuração específica de hardware, com recomendação explícita de GPU NVIDIA A800-80GB para inferência eficiente. Além disso, a técnica SR-SWA, embora promissora, ainda não foi extensivamente validada em todos os domínios de aplicação. Usuários devem testar o modelo com seus próprios datasets antes de implementações críticas.
A licença MIT permite uso comercial sem restrições, mas a maturidade do projeto exige avaliação cuidadosa de riscos operacionais. A ausência de homepage oficial e documentação completa pode dificultar a adoção por equipes sem experiência em machine learning.
Resumo rápido
- Projeto: Unlimited OCR 2 da Baidu Inc., modelo de OCR para documentos ultra longos
- Licença: MIT, permitindo uso comercial livre
- Linguagem: Python com integração a ecossistema PyTorch
- Estrelas: 29.807 no GitHub, com crescimento de 247 no período de análise
- Forks: 3.176, indicando adoção e contribuições da comunidade
- Risco principal: projeto recente sem release estável, issues abertas e dependências de hardware específicas
---
Fontes
- Python
- MIT
- Repositórios em Alta
- GitHub Trending
Infinity: framework Rust promete executar 75 mil agentes em um Raspberry Pi
· 5 min de leitura
Proxy open source para agentes de IA atinge 5,7 mil estrelas no GitHub
· 5 min de leitura
