C’è un pezzo di lavoro noioso che quasi ogni azienda italiana ha in comune: montagne di PDF, scansioni e pratiche da cui qualcuno, prima o poi, deve tirare fuori i dati. È il tema di cui abbiamo scritto nella guida all’estrazione dati dai documenti con l’AI, ed è il motivo per cui l’uscita di Unlimited-OCR di Baidu merita un’analisi: non è l’ennesimo modello gigante, è un attrezzo piccolo che risolve un problema preciso.

Il problema che risolve

I modelli OCR di nuova generazione (quelli che non si limitano a trascrivere ma capiscono tabelle, formule e layout) avevano finora un limite strutturale: la memoria richiesta cresceva con la lunghezza del documento. Risultato: i documenti lunghi andavano spezzati in blocchi, letti separatamente e ricuciti. Ogni taglio è un punto dove una tabella si spezza, un rimando si perde, un totale finisce separato dalla sua voce.

Unlimited-OCR elimina la spezzatura: legge l’intero documento in un unico passaggio. Il meccanismo, che Baidu chiama Reference Sliding Window Attention, tiene in memoria di lavoro solo un piccolo numero di token recenti mantenendo l’accesso all’immagine originale del documento, così il consumo di memoria resta costante che il documento abbia 2 pagine o 40. È lo stesso modo in cui legge una persona: non rileggi tutto quello che hai già trascritto prima di scrivere la riga successiva.

I numeri dichiarati

Sui benchmark il modello raggiunge il 93% su OmniDocBench v1.5, circa 6 punti sopra DeepSeek-OCR (il modello open su cui è costruito), con un throughput superiore del 35% sui documenti lunghi. Ma il numero più interessante per un’azienda è un altro: 3 miliardi di parametri totali, 500 milioni attivi in inferenza. Tradotto: gira su una singola GPU di fascia consumer, non su un cluster.

Cosa ci faresti in pratica

I casi d’uso sono quelli di sempre, ma con meno ingegneria intorno. Archivi di contratti da rendere ricercabili, con le clausole che restano agganciate al loro contesto. Fatture e documenti di trasporto da cui estrarre righe e totali in formato strutturato, tabelle comprese. Pratiche e fascicoli lunghi decine di pagine da trasformare in testo ordinato per alimentare un sistema di ricerca interna o un assistente AI aziendale. La struttura in uscita (testo ordinato con tabelle preservate) è esattamente il formato che serve a valle per qualsiasi automazione.

Due cautele oneste. La prima: i benchmark sono fatti su corpus accademici; le scansioni storte, i timbri, la carta carbone e i moduli compilati a mano delle pratiche italiane vere sono un altro sport, e l’unico test che conta è sul tuo campione di documenti. La seconda: l’OCR è il primo anello della catena, non la soluzione. Il valore sta nella pipeline completa: lettura, validazione dei dati estratti, gestione delle eccezioni, integrazione col gestionale.

Conviene muoversi?

Se hai già una pipeline di estrazione documenti che funziona, questa uscita non impone cambi: è un candidato da tenere d’occhio per il prossimo ciclo. Se stai partendo ora, o se finora i costi per pagina delle API commerciali ti hanno frenato, un test vale poco: il modello è su GitHub e Hugging Face, e una prova su cento documenti reali del tuo archivio dice più di qualsiasi benchmark.

In sostanza: Unlimited-OCR non cambia cosa si può fare coi documenti, cambia quanto costa farlo e dove possono stare i dati mentre lo fai. Per la digitalizzazione degli archivi, sono esattamente le due variabili che contano. Se hai un archivio che aspetta da anni, parlaci del tuo progetto.

Domande frequenti

Due cose. La prima: un OCR tradizionale trascrive il testo; Unlimited-OCR capisce anche la struttura, quindi tabelle, formule, grafici e layout misti escono organizzati, non come un blob di caratteri. La seconda: i sistemi OCR basati su modelli visivi finora dovevano spezzare i documenti lunghi in blocchi, perché la memoria richiesta cresceva con la lunghezza; Unlimited-OCR legge l'intero documento in un unico passaggio, con memoria costante, grazie a un meccanismo di attenzione a finestra scorrevole (R-SWA) che tiene in memoria solo gli ultimi token generati mantenendo l'accesso all'immagine originale.

No, ed è uno dei punti più interessanti. Il modello ha 3 miliardi di parametri totali ma ne attiva solo 500 milioni durante l'inferenza: gira su una singola GPU di fascia consumer o su istanze cloud economiche. Per un'azienda significa poter tenere l'intera pipeline di digitalizzazione documenti in casa o su un cloud europeo, con costi di infrastruttura contenuti.

Sui benchmark dichiarati raggiunge il 93% su OmniDocBench v1.5, circa 6 punti sopra DeepSeek-OCR, il modello su cui è basato, con un throughput del 35% più alto sui documenti lunghi. Come sempre coi benchmark, il numero che conta è quello sui tuoi documenti: fatture italiane, scansioni di qualità variabile e moduli compilati a mano vanno testati sul campione reale prima di mettere in produzione qualsiasi cosa.

Il modello è pubblicato in open source su GitHub e Hugging Face e non ha costi di licenza per token. I costi veri sono altri: l'infrastruttura su cui gira (modesta, in questo caso), l'integrazione con i tuoi sistemi e la validazione sulla tua tipologia di documenti. Prima di adottarlo conviene verificare i termini di licenza specifici pubblicati nel repository, come per ogni modello open.