Summary

Baidu researchers released Unlimited OCR, an end-to-end document model that processes dozens of pages in a single pass with constant memory and throughput. Reference Sliding Window Attention (R-SWA) caps the KV cache by attending to only the last 128 output tokens while preserving full visual reference tokens. The model scores 93% on OmniDocBench v1.5 (93.92% on v1.6) and reaches 5,580 tokens/second in Base mode. Weights are published on Hugging Face.

Source Analysis

Verified during evaluation via arXiv 2606.23050, GitHub baidu/Unlimited-OCR, and Hugging Face model card. Paper published June 23, 2026; weights publicly available. OmniDocBench 93% claim matches paper; v1.6 score and throughput figures from technical report.

Research Notes

Additional Sources

Key Facts Verified

  • Confirmed: 3B MoE / 500M active; continue-trained on DeepSeek OCR baseline
  • Confirmed: OmniDocBench v1.5 93.23% (+6.22 vs baseline); v1.6 93.92%
  • Confirmed: Open weights on Hugging Face; github.com/baidu/Unlimited-OCR

Broader Context

Solves KV cache linear growth problem for long-document OCR. R-SWA generalizes to ASR and translation. Complements enterprise mistral-ocr-4-enterprise angle with open-weight developer adoption path.

baidu, unlimited-ocr, reference-sliding-window-attention, document-processing, kv-cache, mistral-ocr-4-enterprise

Editorial Notes

Approved angle: Uzun belge OCR’da KV cache sorununa R-SWA çözümü — açık ağırlıklı, geliştirici odaklı teknik haber.

Format: Brief (400–500 kelime)

Reporting instructions:

  • R-SWA mekanizmasını basit Türkçe ile açıkla (son 128 output token, sabit bellek)
  • Benchmark ve throughput rakamlarını koru
  • Hugging Face açık ağırlık erişimini vurgula
  • Mistral OCR enterprise karşılaştırmasına kısa atıf

Headline suggestions (TR):

  • Baidu Unlimited OCR: Onlarca sayfayı tek geçişte işleyen açık kaynak model
  • R-SWA ile sabit bellek: Baidu’nun uzun belge OCR modeli Hugging Face’te
  • KV cache sorununa yeni çözüm: Baidu Unlimited OCR %93 OmniDocBench skoru

Must include:

  • R-SWA: son 128 output token, sabit KV cache
  • OmniDocBench v1.5 %93.23; v1.6 %93.92
  • 3B MoE / 500M aktif parametre
  • Açık ağırlıklar: Hugging Face + GitHub

Draft Article

Baidu Unlimited OCR: Onlarca Sayfayı Tek Geçişte İşleyen Açık Kaynak Model

baidu araştırmacıları, unlimited-ocr adlı uçtan uca bir belge işleme modelini yayınladı. Model, reference-sliding-window-attention (R-SWA) mekanizması sayesinde onlarca sayfayı tek geçişte sabit bellek ve throughput ile işleyebiliyor. OmniDocBench v1.5’te %93,23, v1.6’da %93,92 skor elde etti. Ağırlıklar Hugging Face’te açık olarak erişilebilir.

Ana Gelişme

Unlimited OCR, 3 milyar parametreli MoE mimarisi kullanıyor; aktif parametre sayısı 500 milyon. DeepSeek OCR baseline üzerine continue-training yapıldı. Temel yenilik R-SWA: model, KV cache’i sabit tutmak için yalnızca son 128 output token’a dikkat ederken, tüm görsel referans token’larını koruyor.

Performans rakamları:

  • OmniDocBench v1.5: %93,23 (baseline’a göre +6,22 puan)
  • OmniDocBench v1.6: %93,92
  • Throughput: Base modda 5.580 token/saniye
  • Kapasite: 40+ sayfa tek geçişte

Ağırlıklar Hugging Face ve GitHub (github.com/baidu/Unlimited-OCR) üzerinden MIT lisansıyla yayınlandı. vLLM ve SGLang desteği mevcut.

Neden Önemli?

Uzun belge OCR’da KV cache’in doğrusal büyümesi temel bir darboğaz. R-SWA, “insan unutması gibi” bellek yönetimiyle bu sorunu çözüyor — eski output token’ları atılırken görsel referanslar korunuyor. Bu yaklaşım ASR ve çeviri gibi diğer uzun-sequence görevlere de genelleştirilebilir.

mistral-ocr-4-enterprise kurumsal OCR çözümüne kıyasla, Baidu’nun açık ağırlıklı modeli geliştirici topluluğu için doğrudan erişim sunuyor. document-processing ve kv-cache optimizasyonu alanında pratik bir alternatif oluşturuyor.

Bağlam

llm-optimization alanında bellek verimliliği kritik bir rekabet ekseni. R-SWA, sliding window attention’ın referans token’ları koruyan bir varyantı olarak, uzun belge işlemede yeni bir standart oluşturma potansiyeli taşıyor.

Kaynaklar