百度开源Unlimited OCR 2 解析3600页

时间：2026年10月27日 地点：中国北京；模型与代码同步在GitHub、Hugging Face公开 人物：百度（文心Unlimited-OCR团队）；论文与技术报告署名团队 事件详情： 10月27日，百度发布并开源文心Unlimited OCR 2，官方称这是全球首次实现任意页数文档的端到端解析能力，把OCR的处理上限从数十页推向“无限页数”，并称在多项核心指标上达到当前最先进水平（SOTA），推动文档智能解析进入OCR 3.0时代。 官方实测显示，该模型能够一次性解析《哈利·波特》全系列7部作品，累计超过3600页，在文档长度大幅增加的情况下仍保持较高的精度与处理效率。据腾讯新闻报道，1200多页的《三体》全集也能被完整解析。 基准测试方面，官方公布的综合得分为：在面向多页文档解析的MPDocBench上得84.6分，在专门评估百页级超长文档的MarathonDocBench上得77.1分，双双刷新端到端性能纪录。官方称其大幅领先Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash等模型。需要说明的是，上述分数均为百度自测结果，目前尚无第三方复现。 技术路线的核心是稀疏参考滑动窗口注意力机制（Sparse Reference Sliding Window Attention，SR-SWA）。该机制借鉴人类抄录书籍的行为：人通常只关注当前页面，只有在需要核对前文或查找跨页信息时才定向回看，而不是机械翻阅整本书。 SR-SWA把这一逻辑建模为计算范式：先由页面门控（Page Gate）动态把每个查询的视觉参考范围从整份文档缩小到语义相关页面，并显式建模跨页位置关系；随后引入得分最高的视觉Token桶（Token Buckets）以捕捉远距离视觉依赖关系。官方称在百页文档场景下，SR-SWA的单步解码速度相比Full Attention提升约7倍，较上一代R-SWA加速约5.6倍，并在最长300页的评测范围内保持解析精度稳定。 配套的还有无限解码机制（Unlimited-Horizon Decoding）。腾讯新闻报道给出的官方测试数据为：单序列推理下KV Cache峰值显存占用从47GB降至1.77GB，16并发场景下端到端吞吐量从360 TPS提升到1315 TPS。做法是把整份文档拆成相互有重叠的页面组，按顺序处理，复用相邻分块的边界页面缓存，并释放已用不到的视觉KV Cache，使显存中始终只需维护有限的视觉缓存工作区。 开源与部署方面，代码仓库在GitHub的baidu/Unlimited-OCR，模型权重在Hugging Face的baidu/Unlimited-OCR-2，官方仓库与模型卡均标注MIT许可。仓库README给出的机制说明称，SR-SWA把超长序列中的文本与视觉注意力交互压缩到固定大小的参考集合（例如512个token），从而让单步解码延迟和显存占用不随文档长度增长。仓库还提供了Unlimited-OCR-2.pdf技术报告，模型配置为UnlimitedOCRForCausalLM架构，底层语言模型部分沿用DeepseekV2系列配置。 背景： 长篇研报、整本专著等超长文档的结构化解析需求持续增长，对OCR提出了新挑战。传统方案多局限于单页识别，多页处理依赖结果拼接；第一代Unlimited OCR通过参考滑动窗口注意力机制，把连续解析能力拓展至连续数十页；此次发布的Unlimited OCR 2则进一步突破超长文档解析的计算瓶颈，通过SR-SWA减少冗余视觉信息计算，结合无限解码机制降低计算与显存开销。 第一代Unlimited-OCR于2026年6月在Hugging Face上线，模型卡显示许可证为MIT，累计下载量已达277万次以上；腾讯新闻报道称其下载量已超过1000万次。作为参照，上一代Unlimited OCR的研发历程中，百度先后完成了论文发布、vLLM推理支持与云端模型部署。 影响： 如果MPDocBench与MarathonDocBench的分数可被第三方复现，文档解析的能力边界将从“识别一页文字”真正扩展到“读完整本书”，这会直接改变长文档RAG知识库构建、合同与研报的批量结构化、出版与档案数字化等场景的工程成本结构。 SR-SWA的思路本身具有通用性：它把“长上下文注意力”从生成侧的缓存优化问题，转化为视觉输入侧的计算与显存管理问题，这一范式若被推广到ASR与长文档翻译，可能成为一类通用的长程解析技术框架。 需要提醒的是，官方公布的全部性能数据均为自测，官方尚未公布测试集构成、第三方复现结果与生产环境表现；模型权重上线刚满一天，Hugging Face页面显示的下载量目前仍为0。此外SR-SWA路径下的旋转文本、边缘case等鲁棒性问题仍需社区在GitHub Issues中继续打磨。 总结： 百度开源文心Unlimited OCR 2，用SR-SWA注意力机制与无限解码机制把文档解析的页数上限从数十页推到任意页数，官方实测可一次读完3600页《哈利·波特》全系列，MPDocBench与MarathonDocBench分别报出84.6与77.1分，MIT许可、代码与权重同步公开。对关注长文档处理与RAG的读者，这是一次工程意义大于榜单意义的发布；不过所有数字目前都来自百度自测，第三方复现与真实生产表现仍待观察。 参考来源： 1. IT之家： https://www.ithome.com/1/018/249.htm 2. 新浪财经： https://finance.sina.com.cn/tech/2026-10-27/doc-iniwruys2128200.shtml 3. 腾讯新闻（KV Cache与吞吐实测数据）： https://news.qq.com/rain/a/20261027A05R7300 4. 东方财富财富号： https://caifuhao.eastmoney.com/news/20261027104520504540880 5. 搜狐： https://www.sohu.com/a/1093231244_361155 6. GitHub 官方仓库（SR-SWA机制说明与部署方式）： https://github.com/baidu/Unlimited-OCR 7. Hugging Face 模型权重页（MIT许可）： https://huggingface.co/baidu/Unlimited-OCR-2 8. Hugging Face 第一代模型页（下载量与许可）： https://huggingface.co/baidu/Unlimited-OCR