「Unlimited」OCR——複数ページの壁を突破

従来の光学文字認識（OCR）モデルは、1回の処理で約10ページが限界だった。メモリ効率の問題と、テキスト生成に伴う KV キャッシュの膨張が原因だ。Baiduが発表した新モデルは、この制約を根本的に解決した。数十ページを一度に処理しながら、メモリ使用量は一定に保つというアプローチである。

ベンチマーク「OmniDocBench v1.6」で 93.92%の精度を達成し、エンドツーエンドシステムの1位に輝いた。従来のシステムでは、ページ数が増えると精度が低下するのが常だったが、この新モデルは40ページを超えても精度を維持できる。

Reference Sliding Window Attention（R-SWA）の仕組み

革新の中心にあるのは「Reference Sliding Window Attention」（R-SWA）という注意メカニズムだ。従来の Sliding Window Attention では、入力された文字列全体をメモリに保持する必要があり、テキスト長に比例してメモリが増える。

R-SWA の工夫は以下の通り：

  • 各トークンがすべてのビジュアル参照トークンへアクセス可能（画像の視覚情報を常に参照）
  • 一方、生成済みテキストは最後の128トークンのみ参照（それ以前の出力は参照しない）
  • ビジュアルトークンは全処理期間を通して変更されない（画像認識精度の劣化防止）

結果として、固定長 32,000 トークンのコンテキストウィンドウで動作しながら、実運用では 128,000 トークンへの拡張も計画中である。この設計により、ページ数に関わらず一定のメモリで複数ページを処理できる。

ベンチマーク結果と実用性

精度面：

  • OmniDocBench v1.5：93% 全体精度（DeepSeek ベースラインより6ポイント上）
  • v1.6：93.92% 精度（エンドツーエンドシステムで業界1位）
  • 40ページを超えても誤り率は 0.11% 以下に維持

パフォーマンス：

  • トークン処理速度：5,580 トークン/秒（DeepSeek の 4,951 比で 12.7% 高速化）

処理容量：

  • 従来システム：約10ページが限界
  • Unlimited OCR：数十ページを一度の処理で対応

業界への含意

OCR 技術は金融（本人確認・マネーロンダリング対策）、保険（クレーム処理）、医療（申請書管理）、製造（技術文書抽出）など、実務的に必須のツールだ。しかし大量の複数ページ文書を処理する際、従来は複数回に分割して実行する必要があり、運用コストが高かった。

Baidu の新モデルは、この一度の処理という制約を取り除くことで、エンタープライズシステムの統合効率を大きく向上させる可能性を持つ。特に書類の多い金融・保険・医療分野での自動化レベルが一段上がる。

加えて、トークン処理速度 12.7% の高速化は、本番環境でのレイテンシ削減を意味し、リアルタイム処理が求められるワークフローでも応答性が改善される。

今後の課題と検証ポイント

新技術には常に実運用との乖離がある。以下の検証が必須だ：

  • 汚損・歪み・低解像度の実務的な書類での性能確認
  • 異言語（中国語以外）での精度維持
  • 既存システムへの統合コストと ROI 計算
  • セキュリティ・コンプライアンス要件への対応

これらを確認した上で、段階的な PoC（概念実証）から導入を進めるのが現実的だ。