百度开源文心Unlimited OCR 2 实现任意页数文档解析

2026年10月27日，某AI技术团队发布并开源了Unlimited OCR 2，这项技术打破了文档解析的页数上限，全球首次实现任意页数文档的解析，将OCR的处理上限从数十页推向“无限”，达到了当前最先进水平。

经过实测，该技术一次性解析累计超过3600页的大体量书籍时，在文档长度大幅增加的情况下，依然保持较高的精度和处理效率，推动文档解析技术迈向OCR 3.0时代。

公开基准测试显示，在面向多页文档解析的MPDocBench，以及专门评估百页级超长文档解析能力的MarathonDocBench上，Unlimited OCR 2的综合得分分别为84.6分和77.1分，达到端到端性能的最先进水平，大幅领先于Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash等同类模型。

优异的文档解析效果得益于Unlimited OCR 2所提出的稀疏参考滑动窗口注意力机制（SR-SWA）。该机制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，才会回看相关内容，而非反复翻阅整本书的内容。

SR-SWA将这一思路引入模型的注意力计算中：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，同时建模跨页的位置关系；随后引入得分最高的视觉Token桶，以捕捉长距离视觉依赖关系。测试显示，在百页文档场景中，SR-SWA的单步解码速度相比Full Attention和上一代R-SWA分别提升7倍和5.6倍。

随着AI技术的发展，长篇研报、整本书籍等超长文档的解析需求日益增长，对OCR技术提出了全新挑战。传统OCR的解析范围多局限于单页，多页解析通常依赖于结果拼接；第一代Unlimited OCR通过引入参考滑动窗口注意力机制，将解析范围拓展至连续数十页；而此次发布的Unlimited OCR 2进一步突破了超长文档解析的计算瓶颈，通过SR-SWA减少冗余视觉信息计算，结合无限解码机制降低超长文档解析的计算与显存开销，实现了真正意义上的任意页数文档解析。

Unlimited OCR项目已获得全球开源社区的广泛认可。第一代Unlimited OCR于6月22日正式发布后，次日即登顶多个平台的热门榜单，包括GitHub Daily Trending总榜、Python榜，HuggingFace全球模型总趋势榜、多模态模型趋势榜，实现四榜第一；GitHub Star在5天内突破1万，跻身现象级爆款项目行列。

截至目前，HuggingFace累计下载量突破1000万次，GitHub斩获2.88万Star，还获得了图灵奖得主、AI科学家杨立昆的转发推荐。

11月12日，某行业技术大会将进一步展示Unlimited OCR 2的技术亮点及应用潜力。本届大会以“下一幕，智能组织”为主题，将发布全栈AI的最新升级成果，助力企业和开发者加速AI应用落地，推动智能组织进化。

目前，Unlimited OCR 2的代码和模型权重已同步开源至相关平台，开发者和企业用户可下载使用；同时也上线了相关平台的在线体验入口，方便用户直接使用。