百度开源文心 Unlimited OCR 2，实现任意页数文档解析

10 月 27 日，百度正式发布并开源文心 Unlimited OCR 2。该模型首次实现了任意页数文档解析，将传统 OCR 的处理上限从数十页提升至“无限”，并在多项评测中达到最先进水平（SOTA）。实测结果显示，文心 Unlimited OCR 2 能够一次性完整解析累计超过 3600 页的《哈利·波特》全系列 7 部作品，在文本规模呈倍数级增长的情况下，依然保持极高精度与处理速度。

在面向多页文档解析的权威基准测试 MPDocBench 与百页级超长文档评测 MarathonDocBench 中，文心 Unlimited OCR 2 分别取得 84.6 分与 77.1 分的端到端 SOTA 成绩，性能大幅超越 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash 以及 DeepSeek-4.1-Flash 等同类模型。

仿生人类抄录，重构长文档注意力机制

超长文档解析的核心瓶颈在于计算与显存开销。文心 Unlimited OCR 2 引入了创新的“稀疏参考滑动窗口注意力机制”（SR-SWA）。这一机制借鉴了人类抄书的认知过程：人在誊抄书籍时通常专注于当前页面，仅在核对前后文或查找跨页线索时才会翻阅相关页，而非时刻通读全书。

具体实现上，模型通过页面门控（Page Gate）机制，将每个查询的视觉参考范围从全篇缩小至关联页面，同步建立跨页位置关联；同时，引入高分视觉 Token 桶（Token Buckets）来捕捉长距离依赖关系。测试表明，在百页级文档场景下，SR-SWA 的单步解码速度相较传统全注意力机制（Full Attention）和上一代 R-SWA 分别提升了 7 倍与 5.6 倍。

破解计算瓶颈，推动技术迈入 OCR 3.0

长篇研报与实体书的数字化需求持续激增，传统 OCR 大多停留在“单页解析后依靠程序拼接”的阶段；第一代 Unlimited OCR 虽将解析能力拓宽至数十页，但超长上下文计算依然受限。Unlimited OCR 2 结合 SR-SWA 与无限解码机制（Unlimited-Horizon Decoding），大幅剥离了冗余视觉计算，真正实现免拼接的任意长文档端到端处理，标志着文档解析正式步入 OCR 3.0 时代。

早在今年 6 月第一代模型推出时，该项目便迅速登顶 GitHub Daily Trending 总榜和 Hugging Face 多模态模型趋势榜，5 天内斩获破万 GitHub Star，并获得图灵奖得主 Yann LeCun 的推荐。截至目前，该系列模型在 Hugging Face 累计下载量已超 1000 万次，GitHub 标星超 2.85 万。

目前，文心 Unlimited OCR 2 的代码与模型权重已全面开放，开发者可通过 GitHub 仓库 或 Hugging Face 页面 获取，模型亦同步上线百度智能云与百度 AI 开放平台。此外，百度还将在 11 月 12 日举办的世界大会上展示该技术的企业级应用场景落地成果。