Unlimited-OCR: Baidus KI liest lange Dokumente ohne Limit

OCR Classic oder Unlimited-OCR, wer klassische OCR-Werkzeuge und Baidus neues KI-Modell gegenüberstellt, stellt schnell fest: Die entscheidende Frage ist nicht, welches System grundsätzlich besser ist, sondern für welchen Anwendungsfall welches Werkzeug die richtige Wahl ist.

Wer schon einmal versucht hat, ein hundertseitiges PDF vollständig und strukturtreu von einer KI auslesen zu lassen, kennt das Problem: Irgendwann zwischen Seite 30 und Seite 50 wird die klassische OCR-Pipeline (Optical Character Recognition) langsamer, verliert den Kontext oder bricht ganz ab. Der chinesische Technologiekonzern Baidu hat dafür im Juni 2026 eine Antwort vorgestellt: Unlimited-OCR, ein Open-Source-Modell, das auf der Architektur von DeepSeek-OCR aufbaut und mit einem neuen Aufmerksamkeitsmechanismus namens Reference Sliding Window Attention (R-SWA) arbeitet.

Das Ergebnis ist ein nahezu konstanter Speicherbedarf, auch bei mehreren Dutzend Seiten am Stück. Wo klassische OCR-Systeme weiterhin im Vorteil sind, was das neue Modell technisch leistet und wie Analysten wie Gartner, Forrester, BARC, Eckerson Group und KuppingerCole den Markt für intelligente Dokumentenverarbeitung insgesamt einordnen, zeigt dieser Beitrag.

Das Grundproblem: Lange Dokumente überfordern OCR

Optical Character Recognition ist eine der ältesten Disziplinen der angewandten künstlichen Intelligenz und bleibt dennoch bei einer scheinbar einfachen Aufgabe anspruchsvoll: dem vollständigen, strukturtreuen Auslesen langer Dokumente wie technischer Handbücher, wissenschaftlicher Arbeiten oder mehrseitiger Verträge.

Der Grund liegt in der Funktionsweise moderner Transformer-Modelle. Je mehr Text ein Modell generiert, desto größer wird der sogenannte KV-Cache (Key-Value-Cache), also der Arbeitsspeicher, in dem sich das Modell an bereits erzeugten Text erinnert. Wächst dieser Cache unkontrolliert, sinkt die Verarbeitungsgeschwindigkeit, und irgendwann limitiert die verfügbare GPU-Speicherkapazität die maximale Dokumentlänge. Zusätzlich verlieren viele Systeme den inhaltlichen Zusammenhang, wenn Dokumente aus praktischen Gründen seitenweise statt in einem Durchgang verarbeitet werden, etwa wenn sich eine Tabelle über zwei Seiten fortsetzt.

Für Unternehmen ist das mehr als eine technische Randnotiz. In der Praxis schwankt die Erkennungsgenauigkeit produktiver Intelligent-Document-Processing-Systeme (IDP) spürbar mit Dokumentkomplexität, Struktur und Sprache. Forrester betont deshalb, dass Unternehmen realistische Erwartungen an die Genauigkeit setzen und ein Mensch im Prozess in den meisten produktiven Einsätzen weiterhin notwendig bleibt, bis Systeme durch gezieltes Tuning und Domänenanpassung eine ausreichend hohe, konsistente Genauigkeit erreichen (Quelle: Forrester, The Forrester Wave: Document Mining and Analytics Platforms, Q2 2026).

Reference Sliding Window Attention: So funktioniert R-SWA

Der Kern von Unlimited-OCR ist keine radikal neue Modellarchitektur, sondern eine gezielte Weiterentwicklung. Baidu übernimmt den sogenannten DeepEncoder aus DeepSeek-OCR nahezu unverändert, trainiert ihn mit dem Decoder weiter und ersetzt dabei sämtliche Aufmerksamkeitsschichten im Decoder durch R-SWA (Quelle: Baidu Research, „Unlimited OCR Works“, arXiv:2606.23050).

Die Idee lässt sich mit einer menschlichen Analogie beschreiben, die auch das Forschungsteam selbst verwendet: Wer ein Buch von Hand abschreibt, liest nicht bei jedem neuen Wort den gesamten bisher geschriebenen Text erneut, sondern behält lediglich die letzten Wörter im Kopf und wirft bei Bedarf einen Blick zurück auf die Vorlage. Genau das bildet R-SWA technisch nach: Jedes neu erzeugte Token behält vollen Zugriff auf die komprimierten visuellen Referenztoken des Originaldokuments, also das Bild der Seite, während die Aufmerksamkeit auf den bereits generierten eigenen Text auf ein festes Fenster von standardmäßig 128 Tokens begrenzt wird. Ältere Textabschnitte verblassen so aus dem Arbeitsspeicher, ohne dass der inhaltliche Bezug zum Dokument verloren geht.

Der Effekt: Der KV-Cache wächst nicht mehr proportional zur Ausgabelänge, sondern bleibt nach oben begrenzt, unabhängig davon, ob ein Modell eine oder fünfzig Seiten verarbeitet. Baidu bezeichnet diese Eigenschaft als „One-shot Long-horizon Parsing“, also die Fähigkeit, mehrere Dutzend Seiten in einem einzigen Durchgang zu verarbeiten, statt sie einzeln zu segmentieren und die Ergebnisse anschließend wieder zusammenzusetzen. Nach Angaben des Forschungsteams ist R-SWA zudem kein reiner OCR-Trick, sondern ein allgemeiner Attention-Mechanismus für Aufgaben mit sehr langer, strukturierter Ausgabe, etwa automatische Spracherkennung oder maschinelle Übersetzung (Quelle: Baidu Research, arXiv:2606.23050).

Technische Daten und Benchmark-Ergebnisse

Unlimited-OCR ist ein multimodales Modell mit rund 3 Milliarden Parametern, ausgelegt als Mixture-of-Experts (MoE). Dank dieser Architektur sind pro Verarbeitungsschritt nur etwa 500 Millionen Parameter tatsächlich aktiv, was Rechenaufwand und Speicherbedarf gegenüber einem vollständig dichten Modell dieser Größe deutlich reduziert (Quelle: MarkTechPost, „Baidu Releases Unlimited OCR“, Juni 2026; Hugging-Face-Modellkarte baidu/Unlimited-OCR). Das Modell konvertiert PDFs, Bilder und mehrseitige Dokumente direkt in strukturierte Formate wie Markdown oder JSON und ist unter der MIT-Lizenz frei verfügbar, also uneingeschränkt nutzbar für kommerzielle Zwecke, Modifikation und Weiterverbreitung (Quelle: Hugging Face, baidu/Unlimited-OCR, Lizenzangabe MIT).

Bei der Genauigkeit zeigt sich der Effekt von R-SWA im Standard-Benchmark für Dokumenten-Parsing, OmniDocBench: Auf Version 1.5 erreicht Unlimited-OCR einen Gesamtscore von rund 93 Prozent und übertrifft damit die DeepSeek-OCR-Basisversion um etwa 6 Prozentpunkte, während zugleich die Texteditierdistanz sinkt und der TEDS-Wert für die Tabellenerkennung um knapp 6 Prozentpunkte steigt. Auf der neueren Version OmniDocBench v1.6 erzielt das Modell mit 93,92 Prozent nach Angaben des Forschungsteams einen neuen Bestwert für einseitige Dokumenten-OCR (Quelle: Baidu Research, arXiv:2606.23050).

Geschwindigkeit, Effizienz und die Grenzen der Beschleunigung

Neben der Genauigkeit ist der Durchsatz die zweite entscheidende Kennzahl für den produktiven Einsatz. Im Standard-Modus des DeepEncoders erreicht Unlimited-OCR laut den Autoren 5.580 Tokens pro Sekunde bei 512 nebenläufigen Anfragen, gegenüber 4.951 Tokens pro Sekunde bei DeepSeek-OCR, also ein Plus von rund 12,7 Prozent. Die Autoren weisen selbst darauf hin, dass sich dieser Effekt bei kürzeren Dokumenten, wie sie in OmniDocBench überwiegen, noch vergleichsweise moderat auswirkt und mit wachsender Ausgabelänge deutlich zunimmt (Quelle: Baidu Research, arXiv:2606.23050).

Trotz dieser Fortschritte ist Unlimited-OCR kein Ersatz für jede bestehende OCR-Lösung. Wo klassische Werkzeuge wie Tesseract oder etablierte Layout-Analyzer weiterhin im Vorteil sind und wo Unlimited-OCR seine Stärken ausspielt, zeigt die folgende Übersicht:

Anwendungsfall	Klassische OCR-Systeme	Unlimited-OCR
High-Volume-Einzelbelege (Rechnungen, Kassenbons)	Ideal: schnell und ressourceneffizient auf Standard-Hardware	Überdimensioniert: unnötig hoher Rechenaufwand für einzelne Seiten
Komplexe Langdokumente (Handbücher, Verträge über 10 Seiten)	Schwach: benötigt Page-Stitching, bricht bei seitenübergreifenden Tabellen oft ab	Stark: verarbeitet über 40 Seiten in einem Durchgang bei hoher Strukturtreue
Verrauschte Scans und Handschriften	Robust bei reiner Texterkennung auf schlechter Bildqualität	Abhängig von den Grenzen des geerbten Encoders, reine Handschrift bleibt anspruchsvoll

Tabelle 1: Einsatzszenarien im Vergleich. (Einschätzung auf Basis der Modellarchitektur und der beschriebenen Benchmark-Ergebnisse, kein separat veröffentlichter Analysten-Benchmark.)

Was sagen die Analysten?

Unlimited-OCR selbst ist als frisch veröffentlichtes Forschungsmodell noch nicht Gegenstand eigenständiger Analystenberichte, wohl aber die Marktkategorie, in die es fällt: Intelligent Document Processing (IDP). Die folgende Einordnung zeigt, wie die relevanten Research-Häuser den größeren Kontext bewerten.

Gartner: IDP als eigenständige Kategorie

Gartner hat im September 2025 seinen ersten Magic Quadrant für Intelligent Document Processing Solutions veröffentlicht und damit erstmals Anbieter wie ABBYY, dessen Produkt Vantage als Leader eingestuft wurde, in einem eigenständigen Marktsegment bewertet (Quelle: Gartner, Magic Quadrant for Intelligent Document Processing Solutions, September 2025). Das signalisiert, dass IDP für Gartner inzwischen als eigenständige, strategisch relevante Kategorie gilt und nicht mehr nur als Funktionsbaustein von RPA-Plattformen.

Forrester: breiter, fragmentierter Markt

Forrester bewertet den Markt in der aktuellen Studie The Forrester Wave: Document Mining and Analytics Platforms, Q2 2026 als breit, fragmentiert und schnell in Bewegung. Die Analysten betonen, dass Differenzierung zunehmend über Orchestrierung, Governance und agentische KI-Fähigkeiten stattfindet statt über reine Extraktionsgenauigkeit, und empfehlen Unternehmen, realistische Erwartungen an die Genauigkeit zu setzen und Human-in-the-Loop-Prozesse für produktive Einsätze einzuplanen (Quelle: Forrester, a. a. O.).

Integration in bestehende KI-Infrastrukturen

Da Unlimited-OCR mit öffentlich verfügbaren Gewichten auf Hugging Face und GitHub bereitsteht, lässt es sich technisch als eigenständiger Inferenz-Microservice in bestehende Document-AI- und RAG-Pipelines einbinden, etwa über Inferenzserver wie vLLM oder SGLang auf einer GPU mit ausreichend VRAM für das MoE-Modell. Ein vorgeschalteter Router kann entscheiden, ob ein Dokument an ein klassisches, ressourcenschonendes OCR-System oder an Unlimited-OCR weitergeleitet wird, je nachdem, ob es sich um kurze Standardformulare oder komplexe Langdokumente handelt.

Für den produktiven Betrieb empfiehlt sich ein Hybrid-Ansatz: leichte, schnelle Werkzeuge für den Massendurchsatz einfacher Einzelbelege, Unlimited-OCR gezielt dort, wo Strukturtreue über Seiten hinweg, etwa bei verschachtelten Tabellen oder Formeln, entscheidend ist. Aus Governance-Sicht wichtig, gerade weil es sich um ein selbst gehostetes Open-Source-Modell handelt, sind ein Audit-Trail mit exakten Seitenbezügen sowie eine klare Zuordnung, wer auf welche extrahierten Dokumenteninhalte zugreifen darf. Diese Empfehlungen sind konzeptioneller Natur und ersetzen keine individuelle Architektur- und Sicherheitsprüfung im jeweiligen Unternehmenskontext.

Praxisbeispiel: Ein typischer Anwendungsfall

Ein illustratives, verallgemeinertes Szenario zeigt, wo der Unterschied in der Praxis spürbar würde: Ein IT-Dienstleister im DACH-Raum, der für Kunden technische Handbücher, Wartungsprotokolle und mehrseitige Lieferantenverträge in eine RAG-gestützte Wissensdatenbank überführt, stößt bei klassischen OCR-Werkzeugen regelmäßig an zwei Grenzen: Tabellen, die über einen Seitenumbruch hinweg fortgesetzt werden, verlieren ihre Zeilenzuordnung, und bei Dokumenten jenseits von 20 bis 30 Seiten steigt die Verarbeitungszeit spürbar, während die GPU-Auslastung an ihre Grenzen stößt. Ein Modell mit konstantem KV-Cache wie Unlimited-OCR würde in einem solchen Szenario genau an der Stelle ansetzen, an der klassische Pipelines heute noch auf Page-Stitching und manuelle Nachbearbeitung angewiesen sind. Dieses Beispiel ist bewusst allgemein gehalten und beschreibt keinen konkreten, öffentlich dokumentierten Kundenfall zu Unlimited-OCR, da das Modell dafür noch zu neu ist.

Grenzen und offene Fragen

So vielversprechend R-SWA ist, Baidus eigenes Paper benennt die Grenzen recht offen: Fehler häufen sich bei kleiner, dichter Schrift, insbesondere im schnelleren Base-Modus mit fester Auflösung über mehrere Seiten hinweg. Im höher auflösenden Gundam-Modus steigt die Genauigkeit, dafür sinkt der Durchsatz. Zudem erbt Unlimited-OCR sämtliche Schwächen des zugrunde liegenden DeepSeek-OCR-Encoders, etwa bei bestimmten Schriftarten, Sprachen oder Layouts, denn R-SWA löst ausschließlich das Speicherproblem des Decoders, nicht die visuelle Erkennungsleistung selbst. Unabhängige Benchmarks jenseits der herstellereigenen Zahlen stehen für viele Praxisszenarien zudem noch aus, ein Punkt, den auch externe Beobachter der Modellveröffentlichung kritisch anmerken.

Fazit: Mehrwert für Unternehmen mit dokumentenintensiven Prozessen

Der Mehrwert von Unlimited-OCR liegt weniger in einem Sprung bei der reinen Texterkennungsgenauigkeit, die bei sauberen Dokumenten bereits vorher hoch war, sondern in der Fähigkeit, sehr lange Dokumente in einem einzigen, kontextstabilen Durchgang zu verarbeiten, ohne die für produktive Systeme kritische Kombination aus wachsendem Speicherbedarf und sinkender Geschwindigkeit.

In Kombination mit der MIT-Lizenz senkt das die Einstiegshürde für Unternehmen, die heute noch mit Page-Stitching-Workarounds und brüchigen Tabellenerkennungen über Seitengrenzen hinweg kämpfen. Wer Verträge, technische Handbücher oder wissenschaftliche Reports im großen Stil in RAG-Pipelines einspeisen will, erhält damit einen offenen Baustein, der laut Gartner und Forrester genau in einem Marktsegment liegt, das inzwischen als eigenständige, strategisch bedeutsame Kategorie behandelt wird, vorausgesetzt, Governance und Sicherheitsaspekte werden von Anfang an mitgedacht.

Häufige Fragen zu Unlimited-OCR (Q&A)