Baidus „Unlimited OCR“ liest 40-seitige Dokumente in einem Durchgang, indem es zu vergessen lernt
Ein neues Open-Source-Modell von Baidu verarbeitet Dutzende Dokumentseiten in einem einzigen Durchgang bei konstantem Speicherverbrauch und führt die OmniDocBench-Bestenliste an, Modellgewichte und Demo können kostenlos ausprobiert werden.
Eingescannte Dokumente in nutzbaren Text umzuwandeln, OCR, kurz für optische Zeichenerkennung, gehört zu den praktischsten Aufgaben von KI. Bislang gab es allerdings eine hartnäckige Grenze: Aktuelle Modelle geraten bei mehr als etwa zehn Seiten am Stück ins Straucheln, weil ihr Speicherbedarf mit jeder erzeugten Zeile wächst. Baidu-Forschende haben nun Unlimited OCR veröffentlicht, ein quelloffenes Modell, das Dutzende Seiten in einem einzigen Durchgang liest, während der Speicherverbrauch konstant bleibt. Mit 93,92 Prozent führt es derzeit den Dokumenten-Benchmark OmniDocBench für End-to-End-Systeme an.
Der Trick ist auf sympathische Weise menschlich. Wenn du einen Text aus einem Buch von Hand abschreibst, liest du nicht ständig alles erneut, was du bereits geschrieben hast. Du behältst die Vorlage und die letzten geschriebenen Wörter im Blick, während ältere Passagen einfach verblassen. Baidu hat dieses Prinzip in das Modell eingebaut: Jeder neue Teil der Ausgabe kann das vollständige Dokumentbild sehen, aber nur die letzten 128 Tokens, ungefähr die letzten paar Sätze, des eigenen bereits erzeugten Textes. Das Team nennt die Technik „Reference Sliding Window Attention“. Das Ergebnis: Bei Tests mit mehr als 40 Seiten bleibt die Fehlerrate niedrig, und das Modell erzeugt Text etwa 13 Prozent schneller als das DeepSeek-OCR-System, auf dem es aufbaut. Je länger das Dokument wird, desto größer wird der Abstand.
Was steckt dahinter? OCR hat sich still zu einem der umkämpftesten Bereiche der KI entwickelt, und das nicht nur zum Lesen von Verträgen. Als Bild gespeicherter Text benötigt erheblich weniger Rechenleistung als derselbe Inhalt in Form von Tokens. Deshalb betrachten Labore Technologien zum Lesen von Dokumenten als Weg zu einem günstigeren, längeren Gedächtnis für Sprachmodelle. Dieselbe Idee steckt hinter dem von uns vergangene Woche vorgestellten Werkzeug pxpipe, das Tokenkosten senkt, indem es Prompts als PNG-Bilder rendert. Ein angemessener Vorbehalt: „Unbegrenzt“ verspricht etwas zu viel. Der feste Kontext von 32.000 Tokens begrenzt weiterhin, wie viele Seiten in einen Durchgang passen, und sehr kleine Schrift bereitet dem Modell Probleme. Baidu kündigt Versionen mit 128.000 Tokens an.
Was das für dich bedeutet: Dieses Werkzeug kannst du tatsächlich schon heute ausprobieren. Code und Modellgewichte sind kostenlos auf GitHub und Hugging Face verfügbar; außerdem gibt es auf Hugging Face Spaces eine Browserdemo, die keine Einrichtung erfordert. Wenn du regelmäßig eingescannte PDFs, Rechnungen oder alte Papierarchive in Text umwandeln musst, ist der aktuelle Stand der Technik gerade schneller, ausdauernder und kostenlos geworden. Für technisch versierte Nutzer: Mit 3 Milliarden Parametern, von denen nur etwa 500 Millionen aktiv sind, ist das Modell klein genug für bescheidene Hardware, ein wirklich nützliches lokales Werkzeug und nicht nur eine Benchmark-Schlagzeile.
Quellen
Ein PC-Klassiker von 2003 auf dem iPhone: KI portierte Command & Conquer an einem Wochenende auf iOS
Ein Designer von Google DeepMind nutzte Claude Code und Fable 5, um Command & Conquer: Generals Zero Hour nativ auf iOS zu portieren, die erste spielbare Version entstand in rund 40 Minuten, der vollständige Quellcode steht auf GitHub.
