从"数十页"到"任意页"
百度在 10 月 27 日发布并开源文心 Unlimited OCR 2，宣称首次实现任意页数文档解析。实测中，它一次性解析了《哈利·波特》全系列 7 部、累计超过 3600 页，仍保持较高精度与效率。
公开基准方面，MPDocBench 综合得分 84.6，专测百页级超长文档的 MarathonDocBench 得分 77.1，官方称达到端到端 SOTA，领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等模型。
仿人抄书的注意力机制
突破点是一个叫稀疏参考滑动窗口注意力（SR-SWA）的设计。它的思路来自抄书：人只需要盯住当前页，只有在核对前文或找跨页信息时才回头翻，而不是把整本书反复过一遍。
工程上分两步：页面门控（Page Gate）先把每个查询的视觉参考范围从整本缩小到相关页面，同时建模跨页位置关系；再用得分最高的视觉 Token 桶（Token Buckets）捕获长距离视觉依赖。官方报告称，在百页文档场景下，单步解码速度相对 Full Attention 与上一代 R-SWA 分别提升 7 倍与 5.6 倍。配合无限解码机制（Unlimited-Horizon Decoding），显存与算力开销也降了下来。
前作已经验证过
第一代 Unlimited OCR 在 6 月 22 日发布，次日登顶 GitHub Daily Trending 总榜与 Python 榜、Hugging Face 全球模型总趋势榜与多模态模型趋势榜；GitHub Star 五天破万，目前累计 2.85 万，Hugging Face 下载量超过 1000 万，还获得杨立昆转发推荐。
代码与权重已同步开源至 GitHub 与 Hugging Face，并上线百度智能云与百度 AI 开放平台。百度世界 2026 大会将在 11 月 12 日进一步展示相关能力。
原文链接：https://www.leiphone.com/category/industrynews/2U4kLHAVeff62mJx.html
来源：雷峰网
