Das Modell verarbeitet Dokumente seitenübergreifend. Die Reference Sliding Window Attention (R-SWA) greift bei der Ausgabe nur auf die zuletzt erzeugten Zeichen und feste Bildinformationen zurück. Dadurch wächst der KV-Cache nicht mit jeder zusätzlichen Seite weiter und die Speicherschranke herkömmlicher Systeme wird nach Darstellung des Papers deutlich nach hinten verschoben.
Baidu nennt für ein Modell mit etwa drei Milliarden Gesamtparametern und rund 500 Millionen aktiven Parametern 93,92 Prozent auf OmniDocBench v1.6. Beim Durchsatz stehen laut Autorenteam ungefähr 5.580 gegenüber 4.951 Token pro Sekunde bei DeepSeek OCR. Diese Kennzahlen sind Anbieterangaben und noch nicht unabhängig reproduziert.
Code und Gewichte sind unter MIT-Lizenz auf GitHub und Hugging Face verfügbar; außerdem gibt es eine Demo in Hugging Face Spaces. Das Modell baut auf DeepSeek OCR auf und kann über Transformers, vLLM und SGLang eingesetzt werden. Die offene Veröffentlichung macht eine unabhängige Prüfung der Speicher- und Qualitätsversprechen möglich.