OCR per documenti lunghi con l'intelligenza artificiale: cosa cambia con il modello aperto di Baidu
L'OCR per documenti lunghi è il riconoscimento del testo su file da decine o centinaia di pagine, e dal 27 ottobre 2026 ha un modello aperto pensato apposta: Unlimited-OCR-2 di Baidu, circa 3 miliardi di parametri, licenza MIT. La scheda pubblicata su Hugging Face promette di leggere il documento in una richiesta sola, tenendo quasi costanti il tempo e la memoria per ogni passo anche quando le pagine crescono.
La promessa è interessante per chi costruisce, perché il problema dei documenti lunghi non è mai stato leggere una pagina. È tenere insieme la pagina 3 e la pagina 41 quando una tabella continua o un termine definito all'inizio compare solo in fondo. Nessun numero della scheda, però, è stato misurato da me.
Cos'è Unlimited-OCR-2 e cosa dichiara sui documenti lunghi
Unlimited-OCR-2 è un modello che trasforma le immagini delle pagine in testo e le tratta come un unico documento invece che come pagine isolate. Il meccanismo che la scheda descrive si chiama Sparse Reference Sliding Window Attention: l'attenzione fra testo e immagini viene compressa in un gruppo di riferimenti di lavoro di dimensione fissa, 512 token nell'esempio riportato, e per questo tempo e memoria per passo restano quasi costanti al crescere del documento.
La scheda dichiara risultati allo stato dell'arte su due benchmark, MPDocBench per le decine di pagine e MarathonDocBench per i documenti da cento pagine, quest'ultimo pubblicato dagli stessi autori. Nel testo non compare nessun punteggio: i risultati stanno in un'immagine della classifica. Per questo io li tratto come dichiarazioni di Baidu e non come un dato su cui decidere.
Il modello precedente, Unlimited-OCR, era stato annunciato il 22 giugno 2026, e la scheda rimanda al paper "Unlimited OCR Works". La lingua è indicata soltanto come "multilingual": non esiste un elenco, quindi l'italiano non è né promesso né escluso.
Come si usa Unlimited-OCR-2: Transformers per provare, SGLang per servire
La scheda propone due strade: Transformers per una prova veloce e SGLang per servire il modello a più richieste insieme. La seconda richiede un pacchetto SGLang personalizzato e due dipendenze fissate, quindi non si installa con un comando generico.
La prova rapida con Transformers
Con Transformers si passa l'elenco delle immagini, in ordine, al metodo infer_multi. È l'esempio della scheda:
import torch
from transformers import AutoModel, AutoTokenizer
model_name = "baidu/Unlimited-OCR-2"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModel.from_pretrained(model_name, trust_remote_code=True,
use_safetensors=True,
torch_dtype=torch.bfloat16).eval().cuda()
pages = [f"your_doc/page_{i}.jpg" for i in range(1, 8)]
text, num_tokens = model.infer_multi(tokenizer, image_files=pages,
output_path="output/multi", save_results=True)
Il parametro trust_remote_code=True esegue codice scaricato insieme ai pesi: va letto prima, come si fa con una skill di Claude Code prima di installarla.
Il servizio con SGLang
SGLang espone un server compatibile con l'API di OpenAI sulla porta 10000, con il modello di conversazione unlimited-ocr. Le pagine viaggiano codificate in base64 e il prompt è la sequenza "<PAGE><image>" ripetuta una volta per pagina, seguita da Multi page parsing. La scheda include anche uno script che converte un PDF in immagini a 300 DPI.
Quali limiti dichiara la scheda del modello
La scheda non ha una sezione sui limiti: stanno nelle note di configurazione. La tabella raccoglie quelli che contano per chi deve decidere se provarlo.
| Aspetto | Cosa riporta la scheda |
|---|---|
| Finestra di pagine | 10 pagine per finestra, in entrambe le modalità |
| Pagine che attraversano la finestra | Finestre più piccole riducono la memoria ma peggiorano l'unione fra pagine |
| Limite per pagina | 20.000 token di output, impostabile con una variabile d'ambiente |
| Hardware provato | Una GPU NVIDIA A800 da 80 GB, nessuna memoria minima indicata |
| Lunghezza massima del documento | Non dichiarata |
| Accuratezza | Nessun punteggio nel testo, solo l'immagine della classifica |
| Lingue | "multilingual", senza elenco |
Perché la finestra da 10 pagine pesa di più
La finestra da 10 pagine è un compromesso fra memoria e contesto: un blocco di testo che attraversa il confine fra due finestre perde il legame con ciò che veniva prima, e contratti e bilanci sono fatti di blocchi che continuano. La scheda dice che la suddivisione si può disattivare per leggere il documento in una sola finestra, con un picco di memoria più alto.
Cosa cambia per chi costruisce un flusso sui documenti
Per i documenti lunghi esiste adesso un'opzione aperta, con licenza MIT, che gira su un server proprio. Finora la scelta era fra un motore classico che legge una pagina alla volta e un modello visivo via API che costa per ogni pagina e manda i file fuori dall'azienda. Chi ha documenti riservati ha un motivo in più per provare la terza strada, con i compromessi che ho descritto in quando un LLM privato conviene davvero.
Cosa non cambia
Il metodo che ho scritto per estrarre dati dai PDF aziendali vale tale e quale: venti documenti veri, i peggiori che avete, cinque campi contati uno per uno. Non ho ancora eseguito Unlimited-OCR-2 su documenti miei e non ho un tasso di errore da offrire.
Un PDF nato dentro un programma ha già i caratteri veri e non ha bisogno di nessun modello; la differenza fra i due sistemi è in cos'è l'OCR intelligente. Per i file che escono dall'azienda resta la domanda su cosa succede ai documenti aziendali caricati su un'intelligenza artificiale.
Come provarlo su un documento vostro in mezza giornata
La prova che vale la pena fare è una sola: lo stesso documento lungo, letto con la finestra da 10 pagine e poi con la finestra disattivata, e le differenze contate a mano. Prendete un documento reale da trenta pagine con una tabella che continua oltre il confine di pagina e convertitelo in immagini a 300 DPI.
- Scegliete un documento in cui sapete già dove stanno i valori critici: totali, date, numeri di articolo.
- Contate quanti valori escono giusti con la finestra da 10 pagine e quanti con la lettura intera, annotando la memoria usata dalla GPU.
- Guardate le tabelle che attraversano le pagine 10 e 11, 20 e 21: sono i punti dove la scheda prevede il peggioramento.
- Con un'impaginazione complicata, come un listino a colonne, vedete anche come tradurre un PDF mantenendo l'impaginazione.
Se la differenza è grande sui vostri file, la vera voce di costo non è il modello, che è gratis, ma la memoria per tenere aperta la finestra intera. Per capire se ha senso dentro un processo aziendale si parte da automazione dei processi con l'intelligenza artificiale.
Domande frequenti
Unlimited-OCR-2 si può usare in azienda a pagamento, senza chiedere un permesso a Baidu?
La scheda del modello su Hugging Face indica la licenza MIT, che consente l'uso commerciale, la modifica e la redistribuzione a patto di mantenere l'avviso di copyright. Il testo della licenza va comunque letto nel repository prima di metterlo in un prodotto.
Serve una GPU per far girare un modello OCR per documenti lunghi?
La scheda di Unlimited-OCR-2 riporta come unica configurazione provata una GPU NVIDIA A800 da 80 GB e non indica una memoria minima. Il codice di esempio chiama .cuda(), quindi una scheda NVIDIA serve per provarlo con Transformers. Su una macchina più piccola conviene scalare la prova a pochi documenti e a finestre di pagine più corte, e misurare.
Con quale OCR leggo un PDF generato da Word o da un gestionale?
Non serve nessun OCR. Un PDF nato dentro un programma contiene già i caratteri veri e per ricavarne il testo basta un parser, che costa molto meno e non sbaglia le lettere. Il riconoscimento ottico serve solo quando nel file c'è la fotografia della pagina, cioè una scansione o uno scatto fatto con il telefono.
Cos'è l'OCR intelligente e Unlimited-OCR-2 lo è?
OCR intelligente è il nome commerciale di un sistema che ricava dati strutturati da un documento senza regole scritte in anticipo. Unlimited-OCR-2 rientra nella famiglia dei modelli che guardano la pagina, e non in quella dei motori classici che trascrivono carattere per carattere. Cosa cambia fra le due famiglie, e dove sbagliano, è spiegato in un altro articolo di questo blog.