Aký veľký je model a zvládne ho bežná firemná infraštruktúra?

Podľa dostupných zdrojov ide o model s približne 3 miliardami parametrov, z ktorých je okolo 500 miliónov aktívnych, s kontextom 32k. Vďaka relatívne malej veľkosti a konštantnej spotrebe pamäte je nasadenie menej náročné než pri klasických modeloch, ktorým pamäť rastie s dĺžkou dokumentu. Presné hardvérové požiadavky článok neuvádza.

Ako dobre si model reálne vedie v porovnaní s inými OCR riešeniami?

Podľa dostupných zdrojov dosahuje Baidu Unlimited OCR SOTA na benchmarku OmniDocBench v1.5 a v1.6 s celkovým skóre približne 93 až 93,92 %. Kľúčovou výhodou oproti predchádzajúcim systémom je, že tie sa zastavovali okolo desiatich strán, kým tento model zvláda 40+ strán v jednom prechode bez degradácie výkonu.

Prečo je spracovanie celého dokumentu naraz lepšie než rozsekanie na časti?

Pri rozsekaní musíte každý kúsok posielať zvlášť a výstupy potom zošívať, čo je hlavný zdroj chýb. Jeden prechod cez celý dokument tento krok vynecháva. Navyše model drží kontext, takže informácia z prvej strany môže ovplyvniť správnu interpretáciu dvadsiatej — čo je dôležité najmä pri dlhých zmluvách.

Pre aké firemné použitie sa hodí najviac?

Hodí sa pre firmy, ktoré dávkovo spracúvajú zmluvy, faktúry alebo technickú dokumentáciu. Najväčší prínos je pri dlhých zmluvách, kde kontext z prvej strany ovplyvňuje zmysel neskorších strán, a pri rozsiahlej technickej dokumentácii, kde by tradičné rozsekávanie na časti zavádzalo chyby pri zošívaní výstupov.

Ako napojiť takýto OCR model na vyhľadávanie a AI agentov v mojej firme?

OCR je len prvý krok — presne prečítaný text z dokumentov treba ďalej indexovať a sprístupniť pre vyhľadávanie či AI asistentov. Tu prichádza na rad architektúra RAG a kontextu, ktorá spája extrahovaný text s jazykovým modelom. Konkrétne postupy a produkčné vzory nájdete v našom sprievodcovi.

Baidu Unlimited OCR: číta desiatky strán naraz

Q: Čo je to R-SWA a prečo drží spotrebu pamäte konštantnú?

R-SWA (Reference Sliding Window Attention) udrží model zameraný na celý vizuálny dokument, no z už vygenerovaného textu si pamätá len posledný úsek. Autori to prirovnávajú k ľudskému zabúdaniu. Vďaka tomu ostáva KV cache konštantná bez ohľadu na počet strán, takže pri dvadsiatej strane nedôjde pamäť ani neklesne presnosť.

Model s plochou spotrebou pamäte prekračuje starý strop okolo desiatich strán a mieri na firemné spracovanie dokumentov.

Baidu Unlimited OCROptické rozpoznávanie znakov. Prevod naskenovaného obrazu dokumentu na strojovo čitateľný text. je OCR model, ktorý prečíta desiatky strán dokumentu v jednom prechode a pritom drží spotrebu pamäte plochú. Predchádzajúce systémy sa podľa The Decoder zastavovali okolo desiatich strán. Podľa dostupných zdrojov z konca júna 2026 zvláda 40+ strán a hlási vedúce miesto na hlavnom OCR benchmarku.

Znie to ako drobný technický detail. V praxi to mení celé dokumentové workflow.

Ako Baidu Unlimited OCR spracuje desiatky strán naraz?

Kľúčom je mechanizmus Reference Sliding Window Attention (R-SWAReference Sliding Window Attention. Mechanizmus, ktorý drží fokus na celom dokumente, no z generovaného textu si pamätá len posledný úsek.). Model drží fokus na celom vizuálnom dokumente, ale z generovaného textu si pamätá len posledný úsek. Autori to prirovnávajú k ľudskému zabúdaniu. Vďaka tomu ostáva KV cachePamäť, ktorú model počas generovania drží. Čím je väčšia, tým viac zdrojov spotrebuje; Unlimited OCR ju udržiava konštantnú. konštantná bez ohľadu na počet strán.

Prečo je to dôležité. Klasické modely s dĺžkou dokumentu zvyšujú spotrebu pamäte. Pri dvadsiatej strane vám buď dôjde pamäť, alebo klesne presnosť. R-SWA tento strop odstraňuje. Podľa prehľadu z 24. júna 2026 ide o model s približne 3 miliardami parametrov a kontextom 32k, ktorý spracuje 40+ strán v jednom forward passe bez degradácie výkonu.

Čo hovoria benchmarky

Model podľa dostupných zdrojov dosahuje SOTAState of the art. Najlepší doteraz dosiahnutý výsledok na danej úlohe alebo benchmarku. na OmniDocBenchŠtandardný benchmark na meranie kvality OCR a parsovania dokumentov. v1.5 a v1.6 s celkovým skóre okolo 93 až 93,92 %. Technický sumár na LinkedIne od Niranjana Akellu uvádza 3B parametrov, z toho okolo 500M aktívnych, a schopnosť parsovať 40+ strán na jeden prechod.

Čo to znamená pre firemné spracovanie dokumentov?

Pre firmy, ktoré dávkovo spracúvajú zmluvy, faktúry alebo technickú dokumentáciu, sa mení jednotka práce. Doteraz ste dokument museli rozsekať na kúsky, každý poslať zvlášť a potom výstupy zošívať. To zošívanie je zdroj chýb. Jeden prechod cez celý dokument tento krok vynecháva.

Kde to pomáha najviac:

Dlhé zmluvy, kde kontext z prvej strany ovplyvňuje zmysel dvadsiatej.
Technické manuály s tabuľkami a odkazmi naprieč stranami.
Účtovné dávky, kde chcete konzistentné rozloženie polí na všetkých stranách.

Model však nie je produkt. Produkt je to, čo okolo neho postavíte. Ak plánujete OCR nasadiť do firemného toku a napojiť naň agentov či vyhľadávanie nad dokumentmi, oplatí sa najprv poriešiť architektúru: retrieval, správu kontextu, limity a kontrolu výstupu. Presne na tieto rozhodnutia mieri náš dvojdňový workshop o produkčnej AI, RAG a architektúre agentov pre CTO a architektov. Nie je pre tých, čo chcú rýchly prototyp. Je pre tímy, ktoré to potrebujú udržať v prevádzke.

Aké sú limity Baidu Unlimited OCR v praxi?

Najprv úprimne o dátach. Posledné verejné informácie o modeli pochádzajú z konca júna 2026. Od 4. júla 2026 neboli zaznamenané žiadne nové technické ani produktové oznámenia. Čísla vyššie berte ako stav z toho obdobia, nie ako dnešnú garanciu.

Čo si overte pred nasadením:

Benchmark nie sú vaše dokumenty. OmniDocBench je štandard, ale skener vo vašej firme má vlastné šumy, pečiatky a rukou písané poznámky.
Jeden prechod cez 40 strán znamená, že chyba na strane 3 sa vám môže tichšie prepašovať ďalej. Potrebujete kontrolu výstupu.
Kto to vypne, keď to začne robiť škodu? V našom prvom produkčnom nasadení sme túto otázku podcenili a stálo nás to týždne ladenia. Odvtedy má každý systém vypínač.

Ak spracúvate dokumenty vo veľkom, model s plochou pamäťou je reálny posun. Ale postavte okolo neho logovanie, limity a človeka v slučke skôr, než mu dovolíte rozhodovať sám.