Unlimited-OCR実測：3Bパラメータモデルが100ページPDFを一度に処理、精度93%

Unlimited-OCRが注目すべき理由

2026年6月、BaiduはUnlimited-OCRプロジェクトをオープンソース化し、GitHubで急速に24,000以上のスターを獲得し、Hugging Faceでのダウンロード数は320万回を突破しました。核心的なセールスポイントは直接的です：わずか3Bパラメータのモデルで、ページ分割なし、コンテキスト損失なし、クラウド課金なしで、完全な100ページPDFを一度に読み取ることができます。

従来のOCRツール（Tesseract、PaddleOCR）はドキュメントをページごとに処理し、各ページを独立して認識します。ページをまたぐテーブル、参照関係、段落の一貫性がすべて失われます。クラウドOCRサービス（Google Vision、Azure Document Intelligence）は精度が高いですが、1000ページあたり1.5〜15ドルの料金がかかり、機密ドキュメントをサードパーティサーバーにアップロードする必要があります。

Unlimited-OCRはこのジレンマを打破しました：ローカル実行、完全無料、ドキュメント全体を一度に処理。標準的なOCRベンチマークテストで93%の精度を達成し、DeepSeek-OCRベースラインより6ポイント高く、40ページ以上でもエラー率は0.11未満を維持しています。

コア技術：R-SWA注意機構

Unlimited-OCRの技術的ブレークスルーはR-SWA（Reference Sliding Window Attention、参照スライディングウィンドウアテンション）から来ています。

従来のLLMデコーダーのメモリ問題

エンドツーエンドOCRモデル（DeepSeek-OCRなど）は、大規模言語モデルをデコーダーとして使用し、言語事前分布を利用して認識精度を向上させます。しかし、致命的な欠陥があります：出力シーケンスが長くなるにつれて、蓄積されたKVキャッシュが大量のメモリを消費し、生成速度が徐々に低下します。

これは、人間がドキュメントを書き写す際、書き写したすべての内容を記憶し続けなければならない場合、50ページ目で脳が過負荷になるのと同じです。

R-SWAの解決策

R-SWAは人間の「解析作業メモリ」機構をシミュレートし、デコーダー内のすべての注意層を参照スライディングウィンドウアテンションに置き換えます：

1. 一定のKVキャッシュ：デコードプロセス全体でKVキャッシュサイズが一定に保たれ、出力長に応じて成長しない
2. 参照機構：モデルは蓄積された中間状態に依存するのではなく、いつでも元のドキュメント画像を「振り返る」ことができる

DeepSeek-OCRエンコーダーの高圧縮率と一定のKVキャッシュを組み合わせることで、Unlimited-OCRは32Kの標準最大長で1回のフォワードパスで数十ページのドキュメントを転写します。

さらに重要なのは、R-SWAは汎用の解析注意機構であり、音声認識（ASR）、翻訳などのシーケンスタスクにも同様に適用可能です。

技術仕様

従来のOCRおよびクラウドサービスとの比較

従来のOCRツールとの比較

クラウドOCRサービスとの比較

重要な結論：Unlimited-OCRの精度はトップクラスのクラウドサービス（93% vs 95%+）よりわずかに低いですが、コスト、プライバシー、オフライン可用性において圧倒的な優位性があります。ほとんどの企業シナリオ（契約書、財務、技術ドキュメント）では93%で完全に十分であり、データをローカル環境から出す必要がありません。

ローカルデプロイメント実践

ハードウェア要件

最低要件：12GB VRAM（3BパラメータFP16は約6GB、KVキャッシュと画像エンコーディングを含めて12GB+必要）

環境準備

# 仮想環境を作成
python3 -m venv unlimited-ocr-env
source unlimited-ocr-env/bin/activate

# 依存関係をインストール（Python 3.12 + CUDA 12.9）
pip install torch==2.10.0 torchvision==0.25.0 \
    --index-url https://download.pytorch.org/whl/cu129
pip install transformers==4.57.1 Pillow==12.1.1 \
    einops==0.8.2 addict==2.4.0 easydict==1.13 \
    pymupdf==1.27.2.2 psutil==7.2.2

基本推論コード（Transformers）

import os, torch, tempfile, fitz
from transformers import AutoModel, AutoTokenizer

# モデルをロード
model_name = 'baidu/Unlimited-OCR'
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()

# PDFを画像に変換
def pdf_to_images(pdf_path, dpi=300):
    doc = fitz.open(pdf_path)
    tmp_dir = tempfile.mkdtemp(prefix='pdf_ocr_')
    mat = fitz.Matrix(dpi / 72, dpi / 72)
    paths = []
    for i, page in enumerate(doc):
        out = os.path.join(tmp_dir, f'page_{i+1:04d}.png')
        page.get_pixmap(matrix=mat).save(out)
        paths.append(out)
    doc.close()
    return paths

# 複数ページPDF解析
model.infer_multi(
    tokenizer,
    prompt='<image>Multi page parsing.',
    image_files=pdf_to_images('your_doc.pdf', dpi=300),
    output_path='output_dir',
    image_size=1024,
    max_length=32768,
    no_repeat_ngram_size=35,
    ngram_window=1024,
    save_results=True,
)

主要パラメータ説明

高性能デプロイメント（vLLM）

本番環境ではvLLMを推奨し、Transformersより3〜5倍高いスループットを提供します：

# Dockerイメージをプル（CUDA 13.0）
docker pull vllm/vllm-openai:unlimited-ocr

# サービスを起動（OpenAI互換API）
docker run --gpus all \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    -p 8000:8000 \
    vllm/vllm-openai:unlimited-ocr \
    --model baidu/Unlimited-OCR \
    --served-model-name Unlimited-OCR \
    --max-model-len 32768 \
    --gpu-memory-utilization 0.9

vLLMはOpenAI互換APIを提供し、バッチリクエストと継続的バッチ処理をサポートし、企業レベルのOCRサービス構築に適しています。

実際の効果テスト

強みのシナリオ：複数ページのコンテキスト一貫性、複雑なレイアウト（2段組み/画像テキスト混在）、数式とコードブロック、多言語混在。

限界のシナリオ：極めて低品質なスキャン（<150 DPI）では精度が85%に低下、手書き認識率は約70%、超高密度テーブル（>20列）では列配置エラーが発生する可能性。

限界と注意事項

既知の制限

1. VRAM使用量：32Kコンテキストウィンドウには十分なKVキャッシュスペースが必要
2. 初回ロードが遅い：モデルは約6GB、初回推論には最適化グラフのコンパイルが必要
3. GPU必須：CPU推論をサポートしない（遅すぎて実用的でない）
4. 出力形式：プレーンテキスト/Markdown、元のレイアウトを保持できない

一般的な問題のトラブルシューティング

ベストプラクティス

• DPI選択：通常のドキュメントは300 DPI、小さいフォント/低品質スキャンは400-600 DPI
• バッチ処理：vLLMまたはSGLangを使用し、Transformersをページごとに呼び出さない
• 出力検証：重要なドキュメント（契約書、財務）に対して人手による抜き取り検査を実施
• キャッシュ戦略：PDFから変換した画像をディスクにキャッシュし、繰り返し変換を回避

総合評価

Unlimited-OCRは2026年のOCR分野で最も重要なオープンソースブレークスルーです。小モデル + 革新的アーキテクチャ = 大能力を証明しました。R-SWA注意機構はOCRの長文書問題を解決するだけでなく、ASR、翻訳などのシーケンスタスクに汎用解決策を提供します。

大量のドキュメントを処理する必要があるチームにとって、Unlimited-OCRは高価なクラウドOCRサービスを代替し、年間数万ドルを節約できます。さらに重要なのは、機密データをローカル環境から出す必要がなく、金融、医療、政府などの業界のコンプライアンス要件を満たします。

推奨指数：⭐⭐⭐⭐⭐ (5/5)