Baidu выпустила Unlimited OCR 2. На документах примерно в 100 страниц один шаг обработки, по данным команды, проходит в 7 раз быстрее, чем с Full Attention. Модель может пригодиться, когда нужно разобрать длинный PDF без ручного разбиения на отдельные страницы.
Это один из четырёх подробно описанных релизов в японском выпуске «生成AIウィークリー» — еженедельном обзоре генеративных технологий. Там же упомянуты три навыка против AI-slop-интерфейсов, которые выдают кодовые агенты. Подробности о них вынесли в отдельную статью, поэтому здесь остановлюсь на моделях.
Unlimited OCR 2 ускоряет обработку длинных PDF за счёт внимания к нужным страницам
В длинном документе мало распознать текст. Таблица может продолжаться на следующей странице, а абзац — обрываться посреди мысли. Если при каждом шаге модель заново учитывает зрительные данные со всех страниц, вычислительная нагрузка растёт вместе с документом.
Команда Baidu ERNIE разработала механизм SR-SWA. Модель сосредотачивается на текущем фрагменте и выборочно обращается к предыдущим страницам. Исследователи описывают идею так: «модель смотрит только на то, что переписывает». Это образное объяснение механизма внимания.
На документе примерно в 100 страниц Baidu сообщает, что один шаг проходит в 7 раз быстрее, чем с Full Attention, и в 5,6 раза быстрее, чем с предыдущим R-SWA. В тестах команды модель также заняла первое место на MPDocBench и MarathonDocBench. Это результаты разработчика, а не независимая проверка на ваших PDF.
Такой подход может пригодиться для длинного сценария, подборки исследований или сканированного архива, где важно сохранить переходы между страницами. Я бы проверил его на документе с таблицей, которая продолжается на следующем листе. Заодно посмотрел бы, сохранились ли порядок страниц, заголовки и связи между фрагментами.
Baidu опубликовала модель под лицензией MIT. При этом «безлимитная длина» не обещает мгновенную обработку и безошибочное понимание документа. Владимир Ломтев в разборе AI Рассвет указывает на ограничение: механизм не хранит всю глобальную информацию о документе, поэтому модели может быть сложнее понять его общую структуру. Японский обзор не раскрывает, как OCR работает с русским языком, насколько точно читает конкретные сканы и сколько видеопамяти требует.
Четыре модели для разных задач
В подборке — модели для документов, аудио, локальных агентов и кода. Для визуального автора полезнее отталкиваться от задачи, которая тормозит работу, и подбирать модель под неё.
- Unlimited OCR 2 — разбор длинных документов и связей между страницами; опубликована под MIT.
- Nemotron 3.5 Transcribe — расшифровка, перевод и распознавание нескольких говорящих в аудиозаписях.
- LFM3 — компактные модели для текста, зрения, аудио и принятия решений на устройстве.
- Mistral Large 4 — большая мультимодальная модель с открытыми весами и сильным результатом в одном кодинговом тесте.
Nemotron 3.5 Transcribe работает с расшифровкой и аудио
Модель NVIDIA поддерживает 40 языков и записи длительностью до часа. Она умеет переводить речь, определять язык, отвечать на вопросы по аудио и различать говорящих. Японский обзор отдельно упоминает двусторонний перевод между японским и английским.
В модели около 34 млрд параметров, но при генерации задействуется примерно 4,3 млрд. Доступны веса BF16 и варианты FP8 и NVFP4. NVIDIA разрешает коммерческое и некоммерческое использование. Автору подкаста или интервью модель может помочь подготовить черновую расшифровку, разметить реплики и перевести запись. Имена, термины и тайминги всё равно стоит сверить.
В архивной заметке AI Central говорится, что модель рассчитана на обработку готовых записей, а не на транскрибацию в реальном времени. Там же указана поддержка русского языка. Хорошая зацепка, но качество на вашей речи всё равно нужно проверить.
LFM3 рассчитана на запуск рядом с данными
Liquid AI выпустила шесть моделей для смартфонов и компьютеров. Текстовая LFM3-1.7B в 4-битном формате занимает примерно 1 ГБ памяти. Компания утверждает, что на агентных задачах она может конкурировать с заметно более крупными моделями. В исходном обзоре независимого теста нет.
В линейке есть модели для понимания видео и пространства, распознавания и синтеза речи, совместной работы с аудио и видео, а также варианты для быстрых решений. Это может быть интересно для простой автоматизации или локальной обработки материалов, которые не хочется отправлять во внешний сервис. Но размер текстовой модели не говорит о требованиях остальных: визуальные и аудиомодели могут занимать больше ресурсов.
Mistral Large 4 показывает сильный результат в одном кодинговом тесте
Mistral AI открыла веса Mistral Large 4 — модели примерно на триллион параметров с 52 млрд активных параметров и контекстом до миллиона токенов. В тесте Artificial Analysis для coding agents модель набрала 48%. По данным Mistral, это почти столько же, сколько у GLM-5.3, а на задачу в среднем уходит на 47% меньше токенов.
В Mistral Vibe Mistral Large 4 показала такой же результат, как GPT-6.1 Terra в Codex. Это сравнение конкретных связок модели и инструмента на одном индикаторе. Оно не говорит о качестве моделей во всех задачах разработки. Условия лицензии тоже стоит учесть: коммерческое использование весов разрешено, но поставщикам Model as a Service нужна отдельная лицензия.
Я бы не выбирал локальную модель по одному бенчмарку. Сначала определите, что тормозит именно ваш процесс: чтение длинных документов, расшифровка записей, приватная обработка или код для рабочего инструмента. Потом прогоните на модели несколько собственных файлов и проверьте ошибки, которые действительно отнимают время.
Семь раз быстрее — это про один шаг на длинном документе, а не обещание, что вся работа с PDF завершится в семь раз быстрее.
Источники
Unlimited OCR Works 2 — техническая статья команды Baidu ERNIE
Baidu open-sources Unlimited OCR 2 and MarathonDocBench under MIT licence
Unlimited OCR 2 от Baidu: длинные PDF и границы «безлимита»
Unlimited-OCR 2: Baidu’s Open OCR Model Turns Long PDFs into RAG-Ready Text
Источникtechno-edge.net
