百度开源文心 Unlimited OCR 2：任意页数文档解析

长篇研报、整本书籍、扫描卷宗——这些材料对OCR（光学字符识别）系统来说一直是硬骨头。传统OCR的解析范围多局限于单页，多页解析通常依赖结果拼接，页数一长，精度与效率双双下滑。10月27日，百度发布并开源文心 Unlimited OCR 2，官方称其全球首次实现任意页数文档解析，把OCR的处理上限从数十页继续推向更长文档，并达到端到端性能的最优水平。

实测与基准成绩：

1. 长文档实测：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，在文档长度大幅增加的情况下仍保持较高精度和处理效率。
2. 多页文档基准 MPDocBench：综合得分84.6分。
3. 百页级超长文档基准 MarathonDocBench：综合得分77.1分。
4. 对比对象包括 Qwen3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等模型，官方称均大幅领先。

技术机制： 突破来自一项名为稀疏参考滑动窗口注意力（SR-SWA）的机制。它的设计思路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回看相关内容，而不是反复翻阅整本书。落到模型里，页面门控（Page Gate）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，用于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 的单步解码速度相比全注意力（Full Attention）和上一代 R-SWA 分别提升7倍和5.6倍。配合无限解码机制（Unlimited-Horizon Decoding），超长文档解析的计算与显存开销进一步降低。

项目积累： Unlimited OCR 系列并非首次发布。第一代于6月22日上线，次日登顶 GitHub Daily Trending 总榜与 Python 榜，以及 Hugging Face 全球模型总趋势榜与多模态模型趋势榜，GitHub Star 五天内突破一万。截至目前，Hugging Face 累计下载量突破1000万次，GitHub 获得2.85万 Star。此次 Unlimited OCR 2 的代码与模型权重已同步开源至 GitHub 与 Hugging Face，并上线百度智能云平台与百度 AI 开放平台。

为什么「任意页数」值得单独成条？因为文档解析是RAG（检索增强生成）与企业知识库的上游环节。过去处理一份几百页的扫描报告，工程上往往需要切分、分批调用再合并，误差会在拼接处累积；一次解析能覆盖整本，意味着上层应用可以把文档当作完整对象处理，而不是一堆切片。需要注意的是，上述基准得分与倍数提升均出自官方报告，属自测口径；真实业务中的版式复杂度、手写体与低质量扫描件仍是考验。

一句话收尾：把页数上限拿掉之后，文档解析的瓶颈就从「能不能读」变成了「读得准不准」。