Baidu heeft Unlimited OCR 2 uitgebracht, een open AI-model dat gescande documenten omzet in bruikbare tekst. Waar de meeste tekstherkenning pagina voor pagina werkt, verwerkt dit model boeken, jaarverslagen en rapporten van honderden pagina's in één verzoek. De gewichten staan onder de vrije MIT-licentie op Hugging Face, dus ook bedrijven mogen het gratis gebruiken en aanpassen.
Wat het doet
Het model telt 3 miljard parameters en is daarmee klein genoeg voor één grafische kaart. Baidu testte het op een Nvidia A800 met 80 GB geheugen. Je geeft het een reeks paginabeelden, en het levert gestructureerde tekst terug, inclusief tabellen, formules, koppen en de juiste leesvolgorde. Het is de opvolger van het eerste Unlimited-OCR uit juni, dat weer voortbouwde op DeepSeek-OCR.
De truc zit in de manier waarop het model 'oplet'. Normaal wordt het rekenwerk van een taalmodel snel zwaarder naarmate de tekst langer wordt. Baidu's techniek, SR-SWA, perst de relevante informatie samen in een vaste set van een paar honderd werkverwijzingen. Daardoor blijven snelheid en geheugengebruik volgens het modelkaartje vrijwel gelijk, of je nu tien of driehonderd pagina's aanbiedt.
Scores van Baidu zelf
Baidu meldt dat het model bovenaan staat op twee tests met lange documenten. Op MarathonDocBench, met documenten van honderden pagina's, scoort het volgens MarkTechPost 77,1 punten, tegen 33,7 voor de nummer twee. Het zwakste onderdeel is het herkennen van de kopstructuur. Dit zijn eigen cijfers van Baidu; onafhankelijke metingen zijn er nog niet. Het model heet meertalig, maar Baidu publiceert geen lijst van talen, dus hoe goed het Nederlandse documenten leest, moet je zelf uitproberen.
Waarom je dit wilt weten
Voor Nederlandse organisaties met grote archieven, zoals gemeenten, advocatenkantoren en uitgevers, is een open model dat je op eigen hardware draait interessant: de documenten hoeven de deur niet uit. Dat scheelt gedoe met de AVG ten opzichte van een clouddienst. Wie wil weten hoe verschillende tekstherkenners zich tot elkaar verhouden, kan kijken naar de open test OmniParseBench, waar we eerder over schreven. Wel blijft het een Chinees model: controleer de uitvoer en houd bij gevoelige stukken in de gaten wat je ermee doet.