百度开源文心Unlimited OCR 2，文档解析页数不再设限

IT时代网10月28日消息，百度10月27日发布并开源文心 Unlimited OCR 2，首次实现任意页数文档解析，把 OCR 的处理上限从数十页推向“无限”，综合性能达到当前最先进水平。该模型可将图片、扫描件、PDF 或视频中的文字转换为可编辑、可搜索的数字文本，实测一次性解析累计超过3600页的大部头书籍，仍能保持较高精度与处理效率。

公开基准测试显示，在面向多页文档解析的 MPDocBench 与专门评估百页级超长文档解析能力的 MarathonDocBench 上，文心 Unlimited OCR 2 综合得分分别为84.6分和77.1分，达到端到端性能最优，领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等模型。

技术层面，该模型提出了稀疏参考滑动窗口注意力机制（SR-SWA）。其思路借鉴人类抄录书籍的过程：专注当前页面，只在需要核对前文或查找跨页信息时回看相关内容。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，同时建模跨页位置关系；再引入得分最高的视觉 Token 桶，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 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。

从技术演进看，传统 OCR 解析范围多局限于单页，多页解析依赖结果拼接；第一代 Unlimited OCR 今年6月22日发布时，将解析范围拓展至连续数十页；这次发布的第二代版本进一步突破超长文档解析的计算瓶颈，通过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，把文档解析推向 OCR 3.0 时代。

开源社区方面，第一代 Unlimited OCR 发布次日即登顶 GitHub Daily Trending 总榜、Python 榜及 HuggingFace 全球模型总趋势榜、多模态模型趋势榜，GitHub Star 五天突破1万。截至目前，该项目 Hugging Face 累计下载量突破1000万次，GitHub 收获2.88万 Star，并获图灵奖得主杨立昆转发推荐。

目前，文心 Unlimited OCR 2 的代码与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，开发者和企业用户可下载使用。百度还宣布，11月12日举办的百度世界2026大会将以“下一幕，智能组织”为主题，进一步展示这项技术的应用潜力，并发布百度“芯云模体”全栈AI的最新升级成果。

本文配图由AI生成

编辑：林一舟