Umělá inteligence dnes zvládne shrnout stovky stran. Jenže mezi větou „nahrajte dokument“ a skutečným použitím bývá schovaný starý problém: systém si dlouhý soubor rozřeže na menší kusy, ztratí vazby mezi nimi a pak sebevědomě odpoví na něco, co v dokumentu nikdy nebylo. Baidu se tento nedostatek snaží obejít modelem Unlimited OCR 2.
Čerstvá zpráva na Radyzu popisuje druhou verzi jako model pro velmi dlouhé dokumenty s metodou SR-SWA a novým benchmarkem MarathonDocBench. Oficiální modelová karta na Hugging Face ukazuje, že nejde jen o marketingový název v tiskové zprávě: projekt zveřejňuje model, návod k použití a technické podklady pro další práci.
Tohle není příběh o tom, že AI konečně „pochopila“ smlouvy, stavební spisy nebo stovky stran výzkumu. Je to příběh o mnohem méně efektní, ale důležité vrstvě: jak dostat obraz, rozložení a text dlouhého dokumentu do systému tak, aby se při každém dalším kroku nerozpadl na izolované útržky.
Neomezený horizont není kouzelná guma
Slovo „neomezený“ je v názvu projektu záměrně provokativní. Neznamená, že model bez ztráty kvality přečte libovolně velký archiv, ani že přestaly existovat limity paměti, výpočtu a času. Znamená spíš, že architektura se snaží zabránit běžnému růstu nároků s délkou vstupu a zachovat použitelný výstup i u dokumentů, které jsou pro klasické zpracování nepohodlně dlouhé.
U krátkého souboru se chyba snadno schová. U několikasetstránkového dokumentu už rozhoduje, zda systém dokáže spojit definici z první kapitoly s výjimkou na straně 180, poznámku pod tabulkou s číslem v příloze a odkaz na přílohu s konkrétní povinností. Když se text rozdělí bez rozmyslu, vzniká přesně ten druh odpovědi, který zní rozumně, ale ignoruje podmínku schovanou o desítky stran dál.
Baidu tento problém řeší metodou označovanou jako SR-SWA. Ve veřejných materiálech není důvod zkratku rozepisovat do domnělé zkratkové magie; podstatné je, že projekt ji staví do role mechanismu pro práci s dlouhým vstupem a tvrdí, že nároky nemají růst obvyklým způsobem s každou další stránkou.
Doprovodný MarathonDocBench má měřit právě práci s dlouhými dokumenty, nikoli jen schopnost přečíst jednu čistou stránku. To je správný směr. Současně ale platí, že benchmark zveřejněný společně s modelem je především tvrzení výrobce o zvoleném testu, ne nezávislý audit. Bez reprodukce na cizích datech nevíme, jak dobře si systém poradí s dokumenty, které nejsou připravené podle jeho vlastních předpokladů.
OCR je teprve první bitva
Dlouhý dokument není jen dlouhý text. Může být složený ze skenů, tabulek, razítek, poznámek na okraji, sloupců, obrázků a příloh, které dávají smysl až v kombinaci. Pokud systém převede stránku na prostý text a vyhodí rozložení, ztratil část informace ještě předtím, než začne cokoli hledat nebo shrnovat.
Právě tady má OCR smysl jako základní infrastruktura, ne jako efektní funkce v menu. Musí dostat písmena ze skenu, ale také zachovat jejich vztah k tabulce, nadpisu, podpisu nebo číslu stránky. U smlouvy není stejné, jestli se částka objeví v hlavním článku, ve výjimce, nebo v poznámce pod čarou.
Unlimited OCR 2 proto není jen další chatbot nad PDF. Projekt počítá s nasazením přes Transformers a SGLang a veřejná karta popisuje model jako nástroj pro parsování dokumentů. Dokumentace Transformers navíc ukazuje, že se podpora dostává do běžného ekosystému, kde se model dá zapojit do vlastního inference workflow místo toho, aby zůstal uzamčený v jedné ukázkové aplikaci.
To je důležité i pro srovnání s nástroji, které řeší jinou část problému. PaperPilot například staví kolem PDF lokální nástroje, OCR, CLI a MCP. Unlimited OCR 2 je modelová vrstva, PaperPilot je provozní nástroj. Jedno může být rychlejší nebo přesnější při čtení stránky, druhé může lépe řešit, kde soubor otevřít, zpracovat a předat agentovi.
Největší omyl by byl vydávat lepší parsování za hotovou dokumentovou inteligenci. Model může správně přečíst text a přesto špatně pochopit, že tabulka je výjimka, že příloha nahrazuje starší verzi, nebo že dvě podobné zkratky označují různé věci. Čtení je podmínka další práce, nikoli její výsledek.
Co se stane, když dokument konečně přečteme celý
Dlouhé dokumenty jsou nepříjemné hlavně proto, že důležitá informace bývá rozptýlená. Interní směrnice může definovat pravidlo na začátku, doplnit ho výjimkou v další kapitole a praktický postup schovat do přílohy. Když se systém dívá jen na útržky, uživatel dostane rychlou odpověď, ale ne nutně správnou odpověď.
Baidu se snaží posunout hranici od „najdi mi stránku“ k „udrž v hlavě strukturu dokumentu“. To může být užitečné pro právní podklady, technické manuály, historické archivy nebo finanční reporty. Ne proto, že by model nahradil odborníka, ale protože odborník konečně dostane nástroj, který mu nepřekáží už při prvním průchodu materiálem.
Tady se potkává čtení dokumentů s další vrstvou, kterou firmy často přeskočí: embeddingy a vyhledávání. Jakmile je obsah převedený do struktury, lze nad ním stavět sémantické hledání, filtrování a RAG. V dřívějším článku o AI vyhledávání a OCR jsme řešili stejnou hranici z druhé strany: nalezený dokument není automaticky správný podklad a OCR není korektura.
Tohle je praktický rozdíl mezi užitečným systémem a drahou demonstrací. Když se zeptáte na jednu konkrétní věc, musí být možné dohledat, ze které stránky, tabulky nebo části přílohy odpověď pochází. Pokud model jen vrátí hladké shrnutí bez zdroje, dlouhý kontext může paradoxně zvýšit sebejistotu chyby místo toho, aby ji snížil.
U dlouhých dokumentů se také násobí problém verzí. Firma může mít starou smlouvu, její dodatek, pracovní kopii a sken podepsaného originálu. Model, který je všechny přečte, ještě automaticky nepozná, který soubor má přednost. K tomu je potřeba metadata, pravidla přístupu, kontrola data a člověk, který ví, co dokument právně nebo provozně znamená.
Baidu zvyšuje sázku na modelovou infrastrukturu
Veřejná dostupnost na Hugging Face mění charakter podobných vydání. Zpráva o modelu už nemusí skončit u ukázkového videa; někdo může stáhnout váhy, zapojit je do vlastního pipeline, porovnat je na vlastních dokumentech a zjistit, zda výhoda funguje i mimo prezentaci výrobce. To je pro vývojáře cennější než další slib, že „AI rozumí všemu“.
Současně to neznamená, že každý tým dostane hotové řešení na jedno kliknutí. Je třeba řešit hardware, paměť, dávkování, formáty vstupu, kvalitu skenů a způsob, jak se výstup vrací do vyhledávání nebo agenta. Podpora Transformers a SGLang snižuje integrační tření, ale neodstraňuje provozní práci.
Technická práce projektu na arXivu ukazuje, že kolem Unlimited OCR vzniká vlastní výzkumná větev, ne pouze izolovaný modelový soubor. I tady je ale potřeba držet časovou osu: práce, modelová karta, benchmark a nasazení nejsou jedna věc. Každá z nich potvrzuje jiný typ tvrzení.
Nejzajímavější proto nebude samotný graf s výsledky. Zajímavější bude, zda se model osvědčí na dokumentech, které mají špatný sken, smíšené jazyky, rukou psané poznámky, tabulky přes více stran a nepořádek typický pro skutečný archiv. Tam se ukáže, jestli jde o posun v praxi, nebo hlavně o dobře připravenou ukázku.
Dlouhý kontext nevyřeší odpovědnost
Je lákavé představit si budoucnost, v níž nahrajete celý firemní archiv a zeptáte se, co z něj plyne. Jenže čím více dokumentů systém přečte, tím důležitější je, kdo smí který dokument vidět, co se ukládá, jak dlouho se to uchovává a zda se výsledek může dostat k člověku bez původního oprávnění.
Dlouhé čtení může zmenšit technickou ztrátu kontextu, ale zároveň otevřít větší plochu pro únik. Pokud model spojí informace z více smluv, dodatků nebo osobních spisů, nemusí být problém v tom, že něco nepřečetl. Problém může být v tom, že přečetl příliš mnoho najednou a někdo mu dovolil výsledek použít mimo původní účel.
Proto bude při praktickém nasazení důležitější než marketingové slovo „neomezený“ několik nudných otázek: umí systém vrátit zdrojový výřez, zachovává pořadí a strukturu, rozlišuje verze, respektuje přístupová práva a dovolí člověku opravit chybnou extrakci? Bez těchto odpovědí je i velmi dlouhý dokument jen větší zásobník materiálu pro přesvědčivou chybu.
Unlimited OCR 2 přichází ve správný čas, protože AI se rychle přesouvá od chatování k práci s firemními archivy. Jeho skutečná hodnota se ale nebude měřit tím, kolik stran dokáže přijmout v laboratorním testu. Bude se měřit tím, zda člověku zkrátí cestu k ověřitelné informaci, aniž by mu zároveň zatajil, co přeskočil, popletl nebo spojil z dokumentů, které spolu spojovat neměl.
Baidu tedy neřeší celý problém dlouhého čtení. Řeší jeho první a možná nejotravnější část: aby se dokument nerozpadl dřív, než se ho vůbec začneme ptát na smysluplnou otázku. To je méně efektní než slib porozumění celému archivu, ale právě takové nudné vrstvy rozhodnou, jestli budou AI systémy v dokumentech skutečně použitelné.
