百度开源文心Unlimited OCR 2 支持任意页数文档解析

百度开源文心Unlimited OCR 2 支持任意页数文档解析

风物研报
来自北京市

10月27日，百度发布并开源文心 Unlimited OCR 2。据雷锋网报道，该模型在全球范围内首次实现任意页数文档解析，把 OCR 的处理上限从数十页推至“无限”，并达到 SOTA（最先进水平）。

实测显示，这一模型可一次性解析《哈利·波特》全系列 7 部作品，累计超过 3600 页。在文档长度显著增加的情况下，解析精度与处理效率仍保持较高水平。

公开基准测试给出了具体分数：在多页文档解析基准 MPDocBench 上，文心 Unlimited OCR 2 综合得分 84.6 分；在评估百页级超长文档解析能力的 MarathonDocBench 上，综合得分 77.1 分，端到端性能达到 SOTA，领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等模型。

性能突破来自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）。该机制的思路借鉴人类抄录书籍的过程：通常只专注于当前页面，仅在核对前文或查找跨页信息时才回看相关内容，而不是反复翻阅整本书。

落到计算层面，页面门控（Page Gate）先将每个查询的视觉参考范围从整篇文档缩小到相关页面，并建模跨页位置关系；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 Full Attention 和上一代 R-SWA 分别提升 7 倍和 5.6 倍。

超长文档解析需求正在增长。长篇研报、整本书籍等内容的处理，对 OCR 提出了新要求。传统 OCR 多局限于单页解析，多页处理通常依赖结果拼接；第一代 Unlimited OCR 通过引入参考滑动窗口注意力机制，将范围拓展至连续数十页；Unlimited OCR 2 则进一步突破超长文档的计算瓶颈，以 SR-SWA 减少冗余视觉信息计算，并结合无限解码机制（Unlimited-Horizon Decoding）降低计算与显存开销。

Unlimited OCR 项目已获开源社区关注。第一代 Unlimited OCR 于 6 月 22 日发布，次日登顶 GitHub Daily Trending 总榜、Python 榜，以及 HuggingFace 全球模型总趋势榜、多模态模型趋势榜，实现四榜第一；GitHub Star 5 天突破 1 万。截至目前，该项目在 Hugging Face 累计下载量突破 1000 万次，GitHub 收获 2.85 万 Star，并获得图灵奖得主、AI 科学家杨立昆（Yann LeCun）的转发推荐。

按计划，11 月 12 日举办的百度世界2026大会将进一步展示文心 Unlimited OCR 2 的技术亮点与应用潜力。本届大会主题为“下一幕，智能组织”，将发布百度“芯云模体”全栈 AI 的最新升级成果。目前，文心 Unlimited OCR 2 的代码和模型权重已同步开源至 GitHub、Hugging Face，并上线百度智能云平台和百度 AI 开放平台。

常见问题

这次发布的文心 Unlimited OCR 2 是什么？

文心 Unlimited OCR 2 是百度在10月27日发布并开源的一款文档解析模型，全球首次实现任意页数文档解析，将 OCR 的处理上限从数十页推向“无限”，并达到最先进水平（SOTA）。

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，依然保持较高的精度和处理效率。

它是靠什么技术实现任意页数解析的？

这一突破得益于文心 Unlimited OCR 2 提出的稀疏参考滑动窗口注意力机制（SR-SWA）。该机制借鉴了人类抄录书籍的过程：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。

具体而言，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，同时建模跨页的位置关系；随后引入得分最高的视觉 Token 桶，以捕捉长距离视觉依赖关系。报告测试显示，在百页文档场景中，SR-SWA 的单步解码速度相比 Full Attention 和上一代 R-SWA 分别提升7倍和5.6倍。

普通人和开发者现在能用上这个模型吗？

可以。目前文心 Unlimited OCR 2 的代码和模型权重已同步开源至 GitHub、Hugging Face，并同步上线百度智能云平台和百度AI开放平台，开发者和企业用户可下载使用。

此外，11月12日百度世界2026大会将进一步展示文心 Unlimited OCR 2 的技术亮点及应用潜力，本届大会以“下一幕，智能组织”为主题。