Baidu Unlimited-OCR : un long document en une seule passe, on-prem
Unlimited-OCR de Baidu maintient le cache KV constant et lit de longs PDF en une passe, sous licence MIT et on-prem.
Traduction produite automatiquement par IA. La version allemande est l'original vérifié par la rédaction.
L'essentiel d'Unlimited-OCR de Baidu n'est pas le score de benchmark plus élevé, mais le fait qu'un long document entier passe dans le modèle en une seule passe. Baidu a publié le modèle le 22 juin 2026 sous licence MIT : 3 milliards de paramètres en Mixture-of-Experts, dont seulement environ 500 millions sont actifs à chaque étape. Assez petit pour tourner on-prem sur un matériel raisonnable.
Pour une PME qui traite chaque jour des contrats, des manuels techniques et des factures de plusieurs pages, c'est là la nouvelle la plus intéressante. Ce n'est pas la reconnaissance de texte qui gagne quelques points, mais : un document de 80 pages n'a plus besoin d'être découpé puis réassemblé, et aucun document n'a besoin de quitter la maison pour cela.
01. CE QU'UNLIMITED-OCR FAIT DIFFÉREMMENT
Le cœur est une attention modifiée dans le décodeur qui maintient la mémoire constante. Les modèles OCR classiques fondés sur les transformeurs laissent croître le cache KV avec la longueur du document. Plus le PDF est long, plus il faut de mémoire, jusqu'à ne plus tenir dans un seul traitement.
Unlimited-OCR remplace cette partie par la Reference Sliding Window Attention (R-SWA). Le cache KV reste ainsi constant, quelle que soit la longueur du document. C'est exactement ce que désigne le terme one-shot long-horizon parsing : un long document est lu en une passe, au lieu d'être découpé en sections puis réassemblé après coup.
La démarche d'entraînement est remarquable. L'équipe n'est pas partie de zéro, mais a poursuivi l'entraînement du checkpoint DeepSeek-OCR : encodeur gelé et seul le décodeur ajusté sur environ 4 000 étapes. Le modèle s'inscrit ainsi dans la lignée directe de DeepSeek-OCR, que nous avons déjà situé dans le contexte du stack. Code et poids sont ouverts sur GitHub.
02. POURQUOI LE CACHE KV CONSTANT COMPTE
Le vrai problème des longs documents n'est pas la page isolée, mais la continuité d'une page à l'autre. Quand un modèle découpe un document de 60 pages en blocs de dix pages, c'est précisément ce qui compte dans le quotidien B2B qui se perd : un tableau qui court sur un saut de page, une clause qui renvoie à une section précédente, une ligne dont la grandeur de référence figure vingt pages plus haut.
Un cache KV constant permet de garder tout le document dans un seul contexte. La mémoire ne croît pas avec la longueur, donc la structure reste préservée sur toutes les pages. Au passage, cela accélère : Baidu annonce en mode Base 5 580 tokens par seconde contre 4 951 pour DeepSeek-OCR ; avec une limite de sortie de 6 000 tokens, l'écart est d'environ 35 pour cent.
Côté précision, Unlimited-OCR se situe sur OmniDocBench v1.5 à 93,23 points, 6,22 au-dessus de la base DeepSeek-OCR, et à 93,92 sur v1.6. Ce sont les chiffres du papier. Sur vos propres documents, ce qui compte au bout du compte, c'est la manière dont le modèle traite vos tableaux, vos tampons et vos formulaires, pas la moyenne d'un jeu de test public. La démarche est apparentée à celle des LLM subquadratiques, qui rendent le contexte long on-prem plus abordable.
03. OÙ CELA CHANGE QUELQUE CHOSE POUR LES PME
L'utilité naît là où de longs documents structurés doivent devenir des données propres et interrogeables. Quelques points concrets :
- Contrats et accords-cadres. Renvois croisés et annexes restent lisibles dans leur continuité, au lieu de se disloquer aux limites des blocs.
- Manuels techniques et normes. De longs documents avec figures, tableaux et sections numérotées en une seule passe.
- Factures et justificatifs de plusieurs pages. Un texte proprement extrait est le préalable à un traitement structuré, par exemple vers la facturation électronique.
- Archives et dossiers. Des fonds qui n'existaient jusqu'ici que sous forme de scans deviennent lisibles par machine, sans les confier à un service cloud.
Dans presque tous les cas, l'OCR n'est pas l'objectif, mais la première étape. Un texte proprement analysé est le fondement d'une base de connaissances avec RAG : meilleure est l'analyse, mieux la recherche retrouvera ensuite le bon passage.
04. OCR OU RECHERCHE DOCUMENTAIRE VISUELLE ?
Toutes les tâches documentaires n'ont pas besoin de reconnaissance de texte classique, et c'est un arbitrage honnête. Il existe désormais toute une branche qui ne convertit pas d'abord les documents en texte, mais les interroge sous forme d'image, avec des modèles comme ColPali ou ColQwen. Nous avons décrit à part cette approche sans OCR.
La règle empirique qui a fait ses preuves chez nous :
- Vous avez besoin des caractères réels (montants de factures, clauses de contrat, extraction structurée, transmission à un autre système) : alors l'OCR reste difficilement contournable, et un modèle comme Unlimited-OCR y est très solide.
- Vous avez besoin du bon passage, pas du texte intégral (répondre à une question sur un vaste fonds, retrouver une figure) : alors la recherche documentaire visuelle peut être la voie la plus directe.
Souvent, c'est les deux côte à côte. Unlimited-OCR rend la partie OCR de ce stack moins coûteuse et plus fiable sur les longs documents.
05. CE QUE JE VÉRIFIERAIS AVANT LA MISE EN PRODUCTION
Un bon score de benchmark est une raison de tester le modèle, pas une raison de le mettre en production. Avant de placer Unlimited-OCR dans un processus client, je vérifierais quatre choses :
🔸 Documents allemands et écriture manuscrite. Les chiffres de benchmark disent peu de chose sur les formulaires allemands, les vieux dossiers ou les annotations manuscrites. Cela mérite un jeu de test propre issu de documents réels.
🔸 Tableaux et mise en page. Sur les documents B2B, la fidélité des tableaux et des colonnes décide de l'utilité. Ici, la comparaison directe avec le stack existant en vaut la peine.
🔸 Matériel et exploitation. Un MoE de 3 Md avec environ 500 M de paramètres actifs est réaliste on-prem. Ce que cela signifie concrètement en mémoire GPU et en débit doit être mesuré avant le déploiement, pas estimé.
🔸 Licence et provenance. La licence MIT autorise l'usage commercial on-prem sans note de bas de page. Que la trace du modèle mène à l'un des auteurs de DeepSeek-OCR est un signal de qualité, mais ne remplace pas votre propre examen.
Ce qui m'intéresse vraiment dans cette publication, c'est moins le modèle lui-même que la direction : de longs documents en une passe, assez petits pour votre propre centre de données, sous une licence qui ne restreint personne. C'est précisément là que le traitement documentaire devient concret dans les PME. Lesquels de vos documents feriez-vous passer en premier ?
