文心UnlimitedOCR2开源发布，实现任意页数文档解析，百页级基准得分77.1分

10月27日，百度正式开源新一代文档解析模型——文心Unlimited OCR 2。该模型实现全球首个“任意页数文档解析”能力，突破传统OCR对页数的硬性限制，将多页文档处理上限从数十页推向理论上的“无限”，标志着文档智能进入OCR 3.0时代。

实测中，Unlimited OCR 2一次性完整解析《哈利·波特》全系列7部作品，总计3623页PDF文档，全程无中断、无复读，平均处理速度约1.5秒/页；进一步测试中，模型成功处理5026页《四大名著》合订本，最终页输出准确呈现《红楼梦》第一百二十回结尾偈语：“說到辛酸處，荒唐愈可悲。由來同一夢，休笑世人痴！”

这一能力并非依赖文本记忆或预训练知识补全。为验证其真实视觉理解能力，测试团队专门构建一份240页、17.3万字的原创长篇小说，并在第2页至第237页间埋设32处形近字与页码陷阱（如将“叶文洁”误写为“叶文清”，或将《魔法史》第742页篡改为724页）。结果表明，Unlimited OCR 2忠实还原所有原始错误，未发生通用大模型常见的“纠错式幻觉”，证实其输出严格基于图像输入而非语言先验。

性能提升的核心在于新提出的稀疏参考滑动窗口注意力机制（Sparse Reference Sliding Window Attention，SR-SWA）。该机制模拟人类阅读习惯：日常抄录时聚焦当前页面，仅在需核对前文时才回溯相关段落，而非反复遍历整本书。

具体实现上，SR-SWA包含两层优化：首先通过“页面门控”（Page Gate）将每个查询的视觉参考范围从整份文档收缩至若干相关页面，同时建模跨页位置关系；其次引入高得分视觉Token桶（Token Buckets），动态捕获长距离视觉依赖。测试显示，在百页文档场景下，SR-SWA单步解码速度较Full Attention提升7倍，较上一代R-SWA提升5.6倍。

配合“无限视野解码”（Unlimited-Horizon Decoding）技术，模型显著降低超长文档处理的计算与显存开销。官方数据显示，其总参数量为30亿（3B），但每次推理实际激活参数仅5亿（500M），KV缓存显存占用较基线减少96.2%——这意味着一张主流游戏显卡（如RTX 4070级别）即可流畅运行全流程。

在权威基准测试中，Unlimited OCR 2表现突出：在面向多页跨页解析的MPDocBench上获得84.6分，在专为百页级长文档设计的MarathonDocBench（103–300页区间）上得分为77.1分，均位列第一，大幅领先Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash及DeepSeek-4.1-Flash等主流模型。

技术演进路径清晰可见：传统OCR以单页为单位处理，多页文档依赖后处理拼接；2026年6月发布的初代Unlimited OCR引入参考滑动窗口注意力，将连续解析上限拓展至40余页；而本次2代版本通过SR-SWA与无限解码机制协同，彻底消除页数瓶颈，实现真正意义上的“页数自由”。

开源生态反馈热烈。初代Unlimited OCR发布次日即登顶GitHub Daily Trending总榜、Python榜，以及Hugging Face全球与多模态趋势榜四榜第一；5天内GitHub Star破万；截至当前，Hugging Face累计下载超1000万次，GitHub Star达2.85万，并获图灵奖得主Yann LeCun公开推荐。

目前，文心Unlimited OCR 2的代码与模型权重已同步开源至GitHub与Hugging Face平台，企业用户亦可通过百度智能云与百度AI开放平台调用服务。11月12日即将召开的百度世界2026大会将以“下一幕，智能组织”为主题，进一步展示该模型在金融研报、法律合同、学术论文等超长文档场景中的落地潜力。

行业层面，超长文档解析需求正快速上升。投行年度报告常达300–500页，高校学位论文普遍超过200页，古籍数字化项目动辄数千页扫描件。现有方案要么依赖人工分段+拼接（易出错、难维护），要么使用通用多模态大模型（成本高、显存吃紧、易幻觉）。Unlimited OCR 2提供了一条轻量、精准、可部署的替代路径。

值得注意的是，该模型定位为专用OCR引擎，而非通用多模态助手。其输入为扫描图像或PDF渲染图，输出为结构化文本（含标题层级、表格、公式等），不生成摘要或回答问题——这种“专注力”设计恰恰保障了在极端长度下的稳定性与准确性。

随着开源社区持续贡献微调适配与工具链扩展，预计未来数月将涌现更多垂直领域应用：例如法律事务所自动提取千页并购协议关键条款，出版社批量数字化民国期刊，或科研机构高效处理跨国合作项目的联合技术白皮书。

技术突破终需回归实用价值。当一台消费级显卡能稳定解析整套《二十四史》影印本，文档智能的门槛正在被实质性降低。文心Unlimited OCR 2的开源，不仅是一次性能跃升，更可能重塑超长文本数字化的工作流标准。