OCRの分岐点：100ページの文書を一度に読み切る二つの道
あなたはコンサルティング会社のデータエンジニアだ。机の上には200ページのスキャン済み業界レポート——表、グラフ、多段組レイアウトが混在し、数十ページにわたる手書きの注釈もある。タスクは明確だ：このレポートを構造化データに変換し、分析パイプラインに投入せよ。
数年前のあなたならどうしたか？スクリプトを書いてPDFを200枚の画像に分割し、1ページずつOCRエンジンに送り、200個のテキスト断片をつなぎ合わせる——その過程で、ページをまたぐ表の列ヘッダーを見失い、多段組の読み順を壊し、分割境界で文が途切れる可能性も高い。
2026年6月23日、Hacker Newsのトップページに二つの投稿が同時に現れた：Baiduがオープンソース化した Unlimited OCR（428 points）と、Mistralが発表した OCR 4（420 points）。二つの出来事が同じ日に重なったことは、同じシグナルを指している：OCR長文書時代の到来だ。しかしその到来の仕方について、両者はまったく異なる答えを出した。
古くからの難題：なぜ長文書OCRはこんなに難しいのか？
OCRそのものは新しい問題ではない。Tesseractは40年前から存在し、クラウドベンダーの文書認識APIも長年提供されてきた。しかしこれらのソリューションは長文書の前で同じ壁にぶつかる：KVキャッシュの膨張だ。
大規模言語モデルでOCRを行う基本的な考え方はこうだ：文書画像を一連のビジュアルtokenにエンコードし、LLMにtoken単位で文字を「読み取らせる」。各tokenを生成するたびに、モデルはそれ以前のすべてのtokenの状態を参照する必要がある——これらの状態はKVキャッシュと呼ばれる構造に格納されている。文書が長ければ長いほど、生成内容が増えれば増えるほど、KVキャッシュはO(N)で線形に増大し、最終的にGPUメモリが耐えられなくなる。
業界の標準的な対処法は、前述の「ページ分割・結合」だ——長文書を単ページに切り分け、1ページずつ処理し、外部スケジューラでパイプラインを管理する。HNユーザー robotswantdata のUnlimited OCRスレッドでのコメントは的確だ：「開発者は汚いコードを書くことを強いられる——PDFを1ページずつに切り刻み、1枚ずつ処理し、テキストを再び糊付けする（janky code that chops PDFs into individual pages, processes them one by one, and glues the text back together）。」
これは動く。しかし本当の長文書理解ではない。ページをまたぐコンテキストの喪失、表の分断、読み順の混乱——これらはすべて「エンジニアリング上のパッチ」の代償だ。
Baiduの道：R-SWAでKVキャッシュを定数に圧縮
Baidu Unlimited OCRの核心的イノベーションは Reference Sliding Window Attention（R-SWA） と呼ばれる、KVキャッシュをO(N)からO(1)に圧縮するアテンション機構だ。
数式抜きに、直感で理解しよう。
あなたが本を書き写していると想像してほしい。原文を見ながら（Reference）、文字を書き写していく（Generation）。一字書くたびにこれまで書き写した内容をすべて読み返す必要はない——最近書いた数行をちらりと確認して、書き間違えがないか確かめれば十分だ。原文は常に目の前にあり、ぼやけることも消えることもない。
R-SWAが行っているのはまさにこれだ。アテンション経路を二つに分離する：
- Global Reference経路：生成される各tokenは常にすべてのビジュアルtoken（すなわち文書画像）とプロンプトを参照する——原文は常に鮮明で、ページをまたぐコンテキストは失われない。
- Local Generation経路：生成される各tokenは直近128個の生成済みtokenのみを参照する——短期記憶はスライディングウィンドウで十分であり、古いtokenの状態は安全に忘却できる。
重要な設計上のポイントは、ビジュアルtokenが「状態更新」に関与しないことだ。それらは読み取られるだけで、変更されない。これによりスライディングウィンドウアテンションの古典的な欠陥——ビジュアル特徴が状態更新とともに徐々に「ぼやけ」、最終的に認識精度が低下する——を回避している。
その結果、KVキャッシュはデコードプロセス全体を通じて一定サイズを維持する。40ページのPDFをモデルに投入すれば、一度の推論ですべてを読み切る——ページ分割も、外部スケジューラも、「ページ番号を糊付けする汚いコード」も不要だ。
技術的詳細として、Unlimited OCRはDeepSeek OCRをベースラインとし、そのDeepEncoderの16倍高圧縮率を保持しつつ、デコーダLLMの全アテンション層をR-SWAに置き換えている。モデルパラメータは3B、推論時は500Mのみ活性化（MoEアーキテクチャ）、OmniDocBench v1.5で93%の総合スコアを達成し、DeepSeek OCRベースラインを6ポイント上回った。
論文はarXivで公開、コードはGitHub（MITライセンス）で公開、モデルウェイトはHuggingFaceとModelScopeにホストされている。典型的な学術路線：論文を発表し、コードをオープンソース化し、ウェイトを公開し、コミュニティに拡張を委ねる。
Mistralの道：プロダクト化されたソリューションで文書インテリジェンスを定義
Mistralは同じ日にOCR 4を発表した。前回のOCR製品アップデートから1年ぶりだ。
OCR 4のセールスポイントはエンジニアリングデリバリーの完成度にある。OCRを「文字抽出」から「文書構造理解」へと引き上げた：出力はテキストだけでなく、bounding box（各テキストブロックのページ内位置）、block classification（見出し・表・数式・署名領域の分類ラベル）、inline confidence score（文字または単語ごとの信頼度スコア）が付随する。
170言語・10語族に対応。単一コンテナでセルフホストデプロイが可能。OlmOCRBenchで85.20点、人手による嗜好テストで平均勝率72%。
Mistralのポジショニングから見ると、OCR 4は同社の文書インテリジェンスパイプラインの「取り込みコンポーネント」だ——Search Toolkitと連携して企業検索、RAG、ドメイン検索を実現する。Bounding boxによって検索結果を原文書内でハイライト表示でき、信頼度スコアが人手によるレビューフローを駆動し、構造化されたブロック出力が下流のデータパイプラインをより信頼性の高いものにする。
クローズドソース、商用API、従量課金——典型的なプロダクト企業の路線だ。
HNのコメント欄が脱線：手書き住所こそ真のOCRの奇跡か？
Mistral OCR 4のHNコメント欄で興味深い展開があった。最高評価のコメントはericydによる：
「USPSは技術的奇跡だといつも思っている。数十億通の郵便物を認識してルーティングできるのに、住所の書き方は極めて非標準的だ——同じ住所が何通りもの形式で書かれる……」
続いてidoubtitがさらに極端なエピソードを語った：父親が70年代にアルジェリアから届いた手紙を受け取った。封筒にはたった三つの単語——彼の名前、都市名「Créteil」、そして「France」。インターネットも中央データベースもない時代に、郵便システムは手紙を届けきった。
筆者から見れば、これらのストーリーとMistral OCR 4の発表の間には微妙な緊張関係がある。それらは実務者に警告を発している：OCRの究極の目標は、現実世界の極度に非標準的で、極度にコンテキスト依存の認識タスクである。手書き住所のルーティングは、この分野で最も初期の「長文書OCR」かもしれない——ただその「文書」は封筒であり、その「モデル」は郵便配達員のコミュニティに対する記憶だった。
二つの道の分岐点：選択の次元
筆者から見れば、BaiduのUnlimited OCRとMistralのOCR 4は、同じトラックにおける二つの異なるデリバリー哲学を代表している。
Baiduの道を選べば、得られるのは：読める論文、修正可能なコードベース、他のタスク（論文ではASRや翻訳に言及）に移行可能な汎用アテンション機構。代償は自分でデプロイし、自分でパラメータ調整し、自分でエンジニアリング課題を処理する必要があること。エンジニアリング力のあるチーム、学術研究、あるいは自前でファインチューニングが必要なシナリオに適している。
Mistralの道を選べば、得られるのは：APIエンドポイント、構造化されたJSON出力、箱を開ければすぐ使える文書インテリジェンスパイプライン。代償はモデルウェイトが見えず、内部ロジックを変更できず、token単位で課金されること。エンタープライズデプロイ、迅速な統合、bounding boxと信頼度スコアが必要な本番シナリオに適している。
両者は二者択一ではない。同じ会社の文書パイプラインが両方のソリューションを同時に使うこともあり得る：Unlimited OCRのアイデアで長文書処理の効率を最適化し、OCR 4の構造化出力で下流の位置特定と検索を行う。
真の変曲点：「読める」から「一度に読み切れる」へ
どちらの道を選ぶにせよ、2026年6月23日という日付は記憶されるべきだ。二つの製品が同時にHNトップページに登場したからではない——それは表面的な現象にすぎない。そうではなく、OCR分野が正式に一本の線を越えたからだ：「かろうじて使える」から「ゼロショット長文書解析」へ。
1年前、モデルに40ページのスキャン文書を一度に読ませることは幻想だった。今日、それは二つの異なる技術路線の共通の出発点となった。R-SWAはアテンション機構の数学的イノベーションが新たな可能性空間を切り開けることを証明し、OCR 4は構造化出力のエンジニアリング的研磨がOCRを真の本番パイプラインに組み込めることを証明した。
200ページのレポートを前にしたあのエンジニアにとって、答えはもはや「forループを書いてページ分割・結合」ではない。オープンソースのR-SWAソリューションを使うか、Mistral APIを呼び出すか——それはまた別の話だ。