百度开源文心Unlimited OCR 2 长文档解析再破纪录

曾获业界推荐、累计千万下载的开源文档解析模型，时隔四个月再度升级，带来了新一代文档解析工具——文心Unlimited OCR 2。

这款模型体量轻巧，总参数仅30亿，每次推理实际激活的参数仅5亿。但就是这样一款轻量级模型，却在两大权威文档解析基准测试中拿下了全线第一：

• 百页级长文档基准MarathonDocBench（103至300页），得分77.06，位列第一；
• 多页跨页基准MPDocBench，得分84.59，位居榜首。

为验证模型实力，相关团队将《哈利·波特》七部曲共3600多页的PDF文档全部输入模型，测试结果显示，整套文档解析仅耗时1小时30分钟，平均每页解析时间仅约1.5秒，全程3623页未出现任何中断。

对比上一代模型仅能处理40多页文档的极限，短短120天内，模型将文档解析上限彻底打破，无论上千页的经典著作，还是五千多页的合订本，都无需切分章节即可一次性完成解析，且解析速度不会随文档长度增加而明显下降。

同时，模型的单序列KV显存占用直接降低了96.2%，普通游戏显卡即可流畅运行。目前，该模型及相关权重已在开源平台全面开放。

三道极限测试关卡

为全面测试模型极限，团队设置了三个易让通用大模型翻车的场景进行验证：

第一关：5026页《四大名著》合订本测试。将《三国演义》《水浒传》《西游记》《红楼梦》合并为5026页的巨无霸PDF，模型全程解析未出现卡顿或重复，进度条拉到最后一页时，输出内容为《红楼梦》第一百二十回收尾偈语，未出现因熟书记忆导致的错误。

为进一步验证模型是“真看图”而非“背书脑补”，团队准备了240页、17.3万字的小说长卷，在其中8个区间埋入32个陷阱，比如将“叶文洁”改为“叶文清”，将《魔法史》第742页改为第724页，模型全部按纸面原样精准识别，未做任何修改。

第二关：300页酒店经营总账测试。针对财务、法务场景常见的跨页表格与数字串行问题，生成300页、3000笔流水的总账，暗藏176笔负数冲销，模型自动剥除重复表头，3000条记录无漏项、无重复，9000个数字字段未出现串列，总金额精确到分，与原始账本完全一致。

第三关：15页英文技术报告与三栏折页测试。面对排版复杂的15页单栏英文报告，模型将跨页截断的英文内容严丝合缝拼接，同时将公式与伪代码转为可编译源码；针对双页非对称三栏折页，模型输出的阅读顺序清晰，所有表格、公式与脚注均与原件对应。

核心技术突破

通用大模型在百页级PDF解析中常出现“失忆”问题，根源在于标准全注意力机制下，每增加一页文档，需重新计算前面所有页面的视觉token，导致延迟暴涨、准确率下降。

针对这一问题，团队推出了第二代核心技术：稀疏参考滑动窗口注意力（SR-SWA），结合人类抄书匠的工作直觉，通过Page Gate收缩视野到少数候选页，Token筛子抓取关键视觉块，将每步计算的视觉信息量限制在固定常数上，避免全页重算。

配套的无限解码机制，让超长文档按窗口推进，相邻窗口仅复用一页交接页的KV缓存，解析完成后立即释放历史窗口缓存，实现“边读边扔”，大幅降低显存占用。

两项设计带来三大核心提升：单序列峰值KV显存降低96.2%，普通显卡即可运行；16路并发吞吐量提升3.65倍，每秒吞吐量从360TPS升至1315TPS；百页单步解码速度提升7.0倍，远超标准全注意力与前代技术。

迈向OCR 3.0时代

技术报告引言中的咏唱致敬了经典作品中的“无限剑制”，这一设计标志着文档解析迈入OCR 3.0时代，打破了长文档解析的上下文限制，让千页级文档解析不再需要切分，为招股书、工程标书、经典著作等场景提供了高效的解析方案。

这一突破，让初代模型“读懂一整本书”的展望成为现实，为AI在长文档处理领域打开了新的空间。