Baidu Rilis Unlimited OCR: Bagus di Fungsi, Berat di GPU (2026)
TL;DR: Unlimited OCR adalah model OCR open source berlisensi MIT dari Baidu, dikembangkan dari DeepSeek-OCR, yang bisa mentranskrip puluhan halaman dokumen dalam satu kali jalan karena KV cache-nya konstan. Kekurangannya ada di infrastruktur: jalur resmi butuh GPU NVIDIA (CUDA), serving vLLM masih pakai image Docker khusus, dan output mentahnya perlu dibersihkan. Buat kamu: kalau tim…
Priyo Harjiyono
Baidu Rilis Unlimited OCR: Bagus di Fungsi, Berat di GPU (2026)
Di Artikel Ini
TL;DR: Unlimited OCR adalah model OCR open source berlisensi MIT dari Baidu, dikembangkan dari DeepSeek-OCR, yang bisa mentranskrip puluhan halaman dokumen dalam satu kali jalan karena KV cache-nya konstan. Kekurangannya ada di infrastruktur: jalur resmi butuh GPU NVIDIA (CUDA), serving vLLM masih pakai image Docker khusus, dan output mentahnya perlu dibersihkan. Buat kamu: kalau tim punya GPU atau budget cloud, model ini layak dites untuk dokumen tebal; kalau kamu individu atau UMKM tanpa GPU, coba dulu lewat demo Hugging Face Spaces sebelum keluar biaya.
💡 KEY TAKEAWAY
Kekuatan utama: dokumen multi-halaman diproses sekali jalan dalam batas 32K token, output berupa markdown.
Batas minimum hardware: recipe vLLM menyebut 1 GPU dengan VRAM minimal 8 GB untuk BF16; tidak ada jalur CPU resmi.
Langkah pertama yang aman: uji 3-5 dokumen non-rahasia milikmu di demo Hugging Face Spaces, terutama dokumen berbahasa Indonesia, sebelum sewa GPU.
Baidu merilis Unlimited OCR pada Juni 2026 dan repo-nya cepat ramai dibicarakan developer. Pertanyaannya buat tim kantor dan pelaku usaha di Indonesia: apakah model ini bisa langsung menggantikan cara kamu mengubah PDF hasil scan jadi teks, atau justru menambah pekerjaan infrastruktur? Komunitech merangkum plus dan minusnya dari dokumentasi resmi, lengkap dengan link sumber di tiap klaim, supaya kamu bisa memutuskan sebelum mengeluarkan biaya GPU.
Apa Itu Unlimited OCR dari Baidu?
Unlimited OCR adalah model document parsing (gambar/PDF ke teks dan markdown) yang dirilis Baidu pada 22 Juni 2026 dengan tujuan mendorong DeepSeek-OCR selangkah lebih jauh — sumber: GitHub baidu/Unlimited-OCR. Kode dan bobot modelnya dirilis dengan lisensi MIT (Copyright 2026 Baidu) — sumber: GitHub baidu/Unlimited-OCR.
Kalau kamu belum familiar dengan konsep AI yang membaca gambar, baca dulu ulasan kami soal AI yang bisa baca gambar dan dokumen beserta tools terbaiknya. Unlimited OCR masuk ke kategori yang sama, tapi khusus untuk mengubah dokumen panjang menjadi teks terstruktur.
Inti teknologinya: R-SWA dan KV cache konstan
[FAKTA] Menurut paper Unlimited OCR Works, tim Baidu memakai DeepSeek OCR sebagai baseline lalu mengganti semua attention layer di decoder dengan Reference Sliding Window Attention (R-SWA). Hasilnya, ukuran KV cache tetap konstan sepanjang proses decoding — sumber: arXiv 2606.23050.
[FAKTA] Paper yang sama menyebut kombinasi encoder DeepSeek OCR yang kompresinya tinggi dan KV cache konstan membuat Unlimited OCR bisa mentranskrip puluhan halaman dokumen dalam satu forward pass, dengan batas panjang standar 32K token — sumber: arXiv 2606.23050. Penulisnya juga mengklaim R-SWA bisa dipakai untuk tugas lain seperti ASR (speech-to-text) dan terjemahan — sumber: arXiv 2606.23050.
[ANALISIS KOMUNITECH] Sederhananya, model OCR berbasis LLM biasanya makin lambat dan makin boros memori ketika outputnya makin panjang. Unlimited OCR mencoba menyelesaikan masalah itu supaya dokumen tebal tidak perlu dipotong per halaman secara manual.
[FAKTA] Decoder bergaya DeepSeek-V2 MoE: 12 layer, hidden size 1280, 64 routed experts dengan 6 expert aktif per token plus 2 shared experts, sliding_window_size 128, max_position_embeddings 32768 — sumber: config.json di Hugging Face.
[FAKTA] Vision encoder memakai tumpukan SAM-ViT-B + CLIP-L (DeepEncoder) yang sama dengan DeepSeek-OCR mode gundam — sumber: vLLM Recipes.
[FAKTA] Per 26 Oktober 2026, halaman model mencatat sekitar 2,57 juta download dan sekitar 4.894 likes — sumber: Hugging Face baidu/Unlimited-OCR. Angka ini bisa berubah setiap hari.
Plus: Kelebihan Unlimited OCR
1. Dokumen panjang sekali jalan
[FAKTA] Untuk input multi-halaman atau PDF, model bekerja di mode base, dan PDF dikonversi ke gambar 300 dpi sebelum diproses — sumber: README GitHub. Dengan R-SWA, puluhan halaman bisa ditranskrip dalam satu forward pass di batas 32K — sumber: arXiv 2606.23050.
2. Lisensi MIT, bebas dipakai komersial
[FAKTA] Repo dan model berlisensi MIT — sumber: GitHub baidu/Unlimited-OCR. [ANALISIS KOMUNITECH] MIT termasuk lisensi yang longgar: kamu boleh memakai, memodifikasi, dan memakainya untuk produk komersial selama menyertakan notice lisensinya. Tetap cek ulang file LICENSE sebelum dipakai di produk.
3. Ekosistem cepat matang
[FAKTA] Dalam sebulan setelah rilis, dukungan bertambah: paper di arXiv (23 Juni 2026), ModelScope (23 Juni), demo Hugging Face Spaces (24 Juni), inferensi vLLM (28 Juni), Baidu Cloud (3 Juli), dan training dengan ms-swift (21 Juli) — sumber: bagian Release di README GitHub.
4. Output markdown, bukan sekadar teks polos
[FAKTA] vLLM Recipes menyebut Unlimited OCR dioptimalkan untuk OCR satu halaman penuh dan menghasilkan markdown — sumber: vLLM Recipes. [ANALISIS KOMUNITECH] Format markdown memudahkan hasil OCR langsung dipakai untuk RAG, ringkasan, atau ekstraksi data oleh LLM lain.
5. Ukurannya masih relatif kecil
[FAKTA] Recipe vLLM menyatakan satu GPU dengan VRAM minimal 8 GB sudah cukup untuk inferensi BF16 — sumber: vLLM Recipes. [ANALISIS KOMUNITECH] Jadi kelas GPU konsumen pun secara teori bisa menjalankannya. Untuk dokumen sangat panjang atau banyak request bersamaan, kebutuhan VRAM kemungkinan lebih besar. Ukur sendiri di hardware kamu.
Minus: Kebutuhan Infrastruktur dan Hal Teknis
1. Wajib GPU NVIDIA, tidak ada jalur CPU resmi
[FAKTA] Panduan inferensi Transformers di README ditujukan untuk GPU NVIDIA, diuji di Python 3.12.3 + CUDA 12.9 dengan torch 2.10.0, dan contoh kodenya memanggil .cuda() — sumber: README GitHub. [ANALISIS KOMUNITECH] Kami mencoba menilai server kami (tanpa GPU, 4 CPU, RAM 7 GB), dan kode modelnya memanggil .cuda() serta autocast CUDA, jadi tidak bisa dijalankan apa adanya di server tanpa GPU. Laptop kantor biasa atau VPS murah juga tidak cukup.
2. Serving vLLM belum masuk rilis stabil
[FAKTA] Arsitektur Unlimited OCR belum ada di wheel pip vLLM yang stabil. Kamu harus memakai image Docker khusus — sumber: vLLM Recipes. README menyediakan vllm/vllm-openai:unlimited-ocr (CUDA 13.0) dan varian -cu129 khusus GPU Hopper — sumber: README GitHub.
3. SGLang memakai wheel custom dan FlashAttention-3
[FAKTA] Jalur SGLang di README memakai wheel custom dan flag --attention-backend fa3 — sumber: README GitHub. FlashAttention-3 sendiri masih rilis beta yang dioptimalkan untuk GPU Hopper, dengan requirement H100/H800 dan CUDA 12.3 ke atas — sumber: GitHub Dao-AILab/flash-attention. [ANALISIS KOMUNITECH] Artinya jalur SGLang di README paling cocok untuk tim yang punya GPU kelas data center. Pengguna GPU lain lebih aman lewat Transformers atau vLLM.
4. Recipe serving ketat, salah sedikit output kosong
[FAKTA] Model ini tidak punya chat template. Recipe vLLM mewajibkan: logits processor no-repeat-ngram terdaftar di server, prompt diawali literal <image>, dan skip_special_tokens=False. Tanpa itu output bisa kosong, atau dokumen panjang berputar di token koordinat — sumber: vLLM Recipes.
5. Output mentah perlu dibersihkan
[FAKTA] Output mentah membawa token grounding <|ref|> dan <|det|> yang harus dibuka/dihapus supaya jadi markdown bersih — sumber: vLLM Recipes. README juga memberi skrip post-processing remove_det untuk evaluasi OmniDocBench — sumber: README GitHub.
6. Dukungan bahasa Indonesia belum terbukti
[FAKTA] Model card di Hugging Face menandai bahasa sebagai multilingual — sumber: Hugging Face baidu/Unlimited-OCR. [ANALISIS KOMUNITECH] Kami belum menemukan angka akurasi resmi khusus dokumen berbahasa Indonesia (faktur, KTP, surat resmi, tabel laporan keuangan). Tes dulu dengan dokumen kamu sendiri sebelum dipakai di produksi.
Tabel Ringkas Plus Minus Unlimited OCR
Aspek
Plus
Minus
Dokumen panjang
Puluhan halaman dalam satu forward pass (batas 32K)
PDF tetap dikonversi ke gambar 300 dpi dan hanya mode base
Siapkan engineer, bukan cuma GPU: recipe serving (prefix <image>, logits processor, skip_special_tokens=False) wajib dipasang benar, kalau tidak output bisa kosong.
Anggarkan post-processing: token <|ref|>/<|det|> harus dibersihkan sebelum markdown dipakai sistem lain.
Pilih jalur serving sesuai GPU: jalur SGLang + FA3 untuk kelas Hopper; GPU lain lebih aman lewat Transformers atau vLLM.
Kapan Unlimited OCR Cocok, Kapan Tidak?
[ANALISIS KOMUNITECH] Pembagian di bawah ini adalah penilaian kami, bukan rekomendasi resmi Baidu.
Cocok untuk
Tim yang sudah punya GPU NVIDIA atau budget cloud GPU dan rutin memproses dokumen tebal: kontrak, laporan tahunan, arsip scan, jurnal.
Tim data/AI yang membangun pipeline RAG dan butuh konversi PDF ke markdown dalam jumlah besar, dengan data yang tidak boleh keluar ke API pihak ketiga (bisa di-host sendiri).
Developer yang terbiasa dengan Docker, CUDA, dan vLLM, sehingga recipe serving yang ketat bukan hambatan.
Kurang cocok untuk
Individu atau UMKM tanpa GPU yang cuma butuh OCR sesekali. Biaya dan waktu setup kemungkinan lebih besar dari manfaatnya.
Tim tanpa engineer yang bisa merawat server GPU dan membersihkan output mentah.
Contoh use case realistis: alur screening CV otomatis pakai OpenClaw. CV yang berupa PDF hasil scan perlu dibaca dulu jadi teks sebelum dinilai. Untuk volume kecil, model multimodal biasa sudah cukup. Unlimited OCR baru relevan kalau volumenya besar dan kamu ingin OCR berjalan di server sendiri.
Siapkan 3–5 dokumen contoh yang mewakili kebutuhan kamu, misalnya faktur, tabel, dan dokumen berbahasa Indonesia. Jangan unggah dokumen yang berisi data pribadi atau rahasia ke demo publik.
Unggah satu per satu, lalu bandingkan hasilnya dengan teks asli: angka, tabel, dan tanda baca.
Catat waktu proses dan bagian yang salah baca. Kalau hasilnya memuaskan, baru pertimbangkan sewa GPU cloud untuk tes batch.
[ANALISIS KOMUNITECH] Demo publik bisa antre atau lambat saat ramai. Kecepatannya tidak mencerminkan performa di GPU kamu sendiri.
Pertanyaan yang Sering Ditanya
Apa itu Unlimited OCR?
Unlimited OCR adalah model OCR open source dari Baidu yang dirilis Juni 2026. Model ini dikembangkan dari DeepSeek-OCR dan memakai Reference Sliding Window Attention agar KV cache konstan, sehingga puluhan halaman bisa ditranskrip dalam satu kali jalan.
Apakah Unlimited OCR gratis?
Ya. Kode dan bobot modelnya berlisensi MIT, jadi boleh dipakai termasuk untuk komersial selama notice lisensinya disertakan. Biaya yang tetap ada adalah biaya hardware GPU atau sewa cloud untuk menjalankannya.
Berapa VRAM yang dibutuhkan Unlimited OCR?
Recipe resmi vLLM menyebut satu GPU dengan VRAM minimal 8 GB cukup untuk inferensi BF16. Untuk dokumen sangat panjang atau banyak request bersamaan, kebutuhannya bisa lebih besar, jadi ukur sendiri di hardware kamu.
Apakah Unlimited OCR bisa jalan di CPU atau laptop biasa?
Tidak ada jalur CPU resmi. Panduan resmi ditujukan untuk GPU NVIDIA dengan CUDA dan contoh kodenya memanggil .cuda(). Untuk mencoba tanpa GPU, pakai demo di Hugging Face Spaces.
Apa bedanya Unlimited OCR dengan DeepSeek OCR?
Unlimited OCR memakai DeepSeek OCR sebagai baseline dan encoder visual yang sama, tapi semua attention layer di decoder diganti dengan R-SWA. Hasilnya KV cache tetap konstan saat output makin panjang, sehingga dokumen multi-halaman bisa diproses sekali jalan dalam batas 32K token.
Apakah Unlimited OCR bisa membaca dokumen bahasa Indonesia?
Model card menandai modelnya sebagai multilingual, tapi kami belum menemukan angka akurasi resmi untuk dokumen bahasa Indonesia. Tes dulu dengan dokumen kamu sendiri lewat demo Hugging Face sebelum dipakai di produksi.
Kesimpulan
[ANALISIS KOMUNITECH] Unlimited OCR menarik karena menyelesaikan masalah nyata model OCR berbasis LLM: dokumen panjang tidak lagi harus dipotong per halaman. Lisensinya MIT dan ekosistemnya cepat lengkap. Harga yang dibayar ada di sisi infrastruktur: GPU NVIDIA, image serving khusus, recipe prompt yang ketat, dan post-processing output. Takeaway praktisnya: uji dulu di demo dengan dokumen milikmu, ukur akurasi untuk bahasa Indonesia, lalu hitung apakah volume dokumenmu cukup besar untuk membenarkan biaya GPU. Kalau volumenya kecil, model multimodal biasa lewat API kemungkinan lebih hemat waktu.
OCR biasanya hanya satu langkah dari alur yang lebih panjang: dokumen masuk, dibaca, diringkas, dicatat ke spreadsheet, lalu diteruskan ke orang yang tepat. Kalau kamu ingin paham gambaran besarnya, mulai dari panduan AI automation untuk bisnis.
Kalau ingin langsung praktik membangun agen yang mengerjakan alur semacam itu tanpa harus mengurus server GPU, kamu bisa ikut workshop OpenClaw KomuniTech: 2 jam membangun Karyawan AI bersama mentor, dan peserta mendapat sertifikat. Disclosure: workshop ini adalah produk KomuniTech.
Ringkasan ini disusun dari dokumentasi resmi (README GitHub, paper arXiv, model card Hugging Face, vLLM Recipes) per 26 Oktober 2026. KomuniTech tidak berafiliasi dengan Baidu. Kami tidak menjalankan benchmark akurasi sendiri, dan kami tidak mengutip angka OmniDocBench karena belum kami verifikasi. Spesifikasi, image Docker, dan dukungan framework bisa berubah. Selalu cek repo resmi sebelum deploy. Bagian berlabel [ANALISIS KOMUNITECH] adalah interpretasi kami, bukan pernyataan resmi Baidu.
Priyo Harjiyono, S.Pd, M.Kom — SEO Specialist dan AI Enabler di Komunitech.com. Bertanggung jawab atas riset, akurasi, dan kurasi editorial artikel di blog ini. Proses penulisan dibantu oleh Karyawan AI-mu, bot SEO yang dibangun Priyo untuk Komunitech, dan berjalan di bawah supervisi serta review langsungnya.
Tinggalkan Balasan