10月27日，百度发布并开源文心Unlimited OCR 2，称该模型在全球首次实现任意页数文档解析，将OCR的处理上限从数十页推向“无限”，并在多项公开基准测试中达到端到端性能SOTA。实测显示，该模型可一次性解析《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的精度和处理效率。
在公开基准测试中，面向多页文档解析的MPDocBench和专门评估百页级超长文档解析能力的MarathonDocBench上，文心Unlimited OCR 2的综合得分分别为84.6分和77.1分，大幅领先Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash等模型。百度方面将这一进展定义为文档解析技术迈向OCR 3.0时代的标志。
技术层面，该突破主要得益于百度提出的稀疏参考滑动窗口注意力机制（Sparse Reference Sliding Window Attention，SR-SWA）。该机制借鉴人类抄录书籍的过程：通常专注于当前页面，仅在需要核对前文或查找跨页信息时才回看相关内容，而非反复翻阅整本书。SR-SWA将这一思路引入模型的注意力计算，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（Token Buckets），以捕捉长距离视觉依赖关系。测试数据显示，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。
从技术演进路径看，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；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；此次发布的Unlimited OCR 2则进一步突破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（Unlimited-Horizon Decoding）降低超长文档解析的计算与显存开销。随着AI技术发展，长篇研报、整本书籍等超长文档的解析需求持续增长，对OCR技术提出了新的挑战，任意页数解析能力对应的正是这一需求场景。
开源社区表现方面，第一代Unlimited OCR于6月22日正式发布后，次日即登顶GitHub Daily Trending总榜、Python榜，以及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 5天突破1万。截至目前，该项目在Hugging Face累计下载量突破1000万次，GitHub斩获2.85万Star，并获得图灵奖得主、AI科学家杨立昆（Yann LeCun）的转发推荐。
目前，文心Unlimited OCR 2的代码和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。百度方面表示，11月12日召开的百度世界2026大会将进一步展示该模型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，将发布百度“芯云模体”全栈AI的最新升级成果。
对文档密集型行业而言，超长文档解析能力的开源化意味着合同、研报、书籍等非结构化资料的批量化处理门槛进一步降低，OCR正从单页识别工具向长文档理解的基础设施演进。百度将代码与权重同步开放至主流开源平台及自有云平台，也显示出其通过开源生态带动云端AI调用需求的路径选择。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
