把 OCR 的处理上限从数十页推向无限
10 月 27 日，百度发布并开源文心 Unlimited OCR 2（Unlimited OCR 2）。这款视觉语言 OCR 解析模型总参数约 3B，推理时实际激活约 500M，采用 MIT 许可，模型权重与代码同步开放至 GitHub 与 Hugging Face，并上线百度智能云与 AI 开放平台。它的核心卖点只有一个：突破传统文档解析的页数天花板——实测中，模型可在一次请求内解析《哈利·波特》全系列 7 部作品、累计超过 3600 页的内容，中间不做切分、不做重排，输出仍是连续的阅读顺序。
过去，长篇研报、整本书籍等超长文档的解析是 OCR 技术的一大痛点。传统方案里每多一页，键值缓存就要多占一块显存，处理到几十页就会撑爆；工程上只能分页、切块，再跨页对齐，表格一旦断开就全乱。文心 Unlimited OCR 2 把单序列键值显存削减约 96%，等于同一张显卡能装下几十倍的页数，一张普通游戏显卡就能跑起来，对需要处理长档案的机构而言，省掉的是整套预处理流水线。
SR-SWA：像人抄书那样专注当前页
这一突破得益于模型提出的「稀疏参考滑动窗口注意力机制」（Sparse Reference Sliding Window Attention，SR-SWA）。它的思路借鉴人类抄录书籍的过程——人通常专注于当前页面，只有在需要核对前文或查找跨页信息时，才会回看相关内容，而非反复翻阅整本书。SR-SWA 把这一直觉引入注意力计算：页面门控先把每个查询的视觉参考范围，从整个文档缩小到相关页面，同时建模跨页位置关系；再引入得分最高的视觉令牌桶，捕捉长距离视觉依赖。
报告测试显示，在百页文档场景中，SR-SWA 的单步解码速度较全注意力（Full Attention）和上一代 R-SWA 分别提升 7 倍和 5.6 倍。结合「无限解码机制」，它在有限上下文窗口内实现了真正的无界文档解析，有效消除了文档增长带来的二次注意力缩放与显存瓶颈。换句话说，它把「任意页数解析」从一个工程拼接问题，收进了一个统一的模型之内。
两项长文档基准的端到端最优
公开基准测试显示，在面向多页文档解析的 MPDocBench 与专门评估百页级超长文档解析能力的 MarathonDocBench 上，文心 Unlimited OCR 2 的综合得分分别为 84.6 分和 77.1 分，均实现端到端最优，领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等同类型模型。这两个基准考的不是单页识别率，而是跨数百页保持表格结构、章节层级与页眉页脚的能力——恰好对应真实档案的样子。
从技术演进看，上一代 Unlimited OCR 于今年 6 月 22 日发布时，已将解析范围拓展至连续数十页；这一代进一步突破超长文档解析的计算瓶颈，被业界称为把 OCR 推向「任意页数」的 OCR 3.0。开源社区方面，前代项目发布次日即登顶 GitHub Daily Trending 总榜与 Python 榜、Hugging Face 全球模型总趋势榜与多模态模型趋势榜，并获得图灵奖得主杨立昆的转发推荐；截至发稿，Hugging Face 上月下载量约 1.8 万次，项目累计下载已破千万、GitHub Star 近 2.9 万。
为什么重要：企业文档数字化的开源底座
对做合同审阅、财报解析、档案数字化的团队来说，过去要自己拼分页、做跨页合并、处理旋转与倾斜，现在可以直接把整本喂进去，省下的工程量往往比分数提升更有价值。更关键的是 MIT 许可允许商用，没有留商业版后手，这意味着中小团队也能在生产环境零成本接入一套当前最先进的文档解析能力。
从路线看，国内厂商这一年密集投入文档层，因为这是企业 AI 落地最刚需的一环——扫描件、票据、图纸、手写批注，都是非结构化数据里最难啃的部分。文心 Unlimited OCR 2 把超长文档解析变成了一个可开源、可商用的标准能力，降低了长档案智能处理的门槛。但也要清醒：一次读完三千页之后，模型能否在第 300 页准确引用第 1 页的条款，是另一回事；长上下文不等于深度理解，真正的考验是在超长输入下还能否保持定位精度。将于 11 月 12 日举行的百度世界 2026 大会，预计会进一步展示其技术亮点与应用潜力。