百度开源文心Unlimited OCR 2实现任意页数文档解析，单次处理超3600页保持SOTA性能

一句话结论

百度开源文心Unlimited OCR 2，通过稀疏参考滑动窗口注意力机制实现任意页数文档解析，刷新超长文档识别性能基准。

关键要点

文心Unlimited OCR 2于2026年10月27日发布并开源，首次实现无页数上限的文档解析，实测可单次处理《哈利·波特》全系列7部共3600余页内容。
在MPDocBench和MarathonDocBench基准测试中，该模型分别取得84.6分和77.1分，达到端到端性能SOTA水平，领先Qwen 3.8-Max、Gemini-3.8-Flash等竞品模型。
核心技术创新为SR-SWA机制，结合无限解码（Unlimited-Horizon Decoding），在百页场景下单步解码速度较Full Attention提升7倍，较上一代R-SWA提升5.6倍。
开源渠道已同步至GitHub和Hugging Face，并上线百度智能云及百度AI开放平台，前代项目GitHub Star达2.85万，累计下载量突破1000万次。

背景与事实

2026年10月27日，百度正式发布并开源文心Unlimited OCR 2，标志着文档解析技术从传统单页或拼接式多页处理，迈向任意页数直接解析的OCR 3.0时代。该模型通过创新的稀疏参考滑动窗口注意力机制（SR-SWA），将处理上限从数十页扩展至无限，解决了传统OCR因跨页信息关联断裂而依赖结果拼接的痛点。公开基准测试数据表明，模型在多页文档解析的MPDocBench上得分84.6，在百页级超长文档解析的MarathonDocBench上得分77.1，不仅大幅领先Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash及DeepSeek-4.1-Flash等模型，更在文档长度成倍增加的情况下保持了高精度与处理效率。

SR-SWA机制的设计灵感来源于人类抄录书籍的认知模式：通常聚焦当前页面，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。在具体技术实现上，页面门控（Page Gate）将每个查询的视觉参考范围从全文档缩小至相关页面，同时建模跨页位置关系；随后引入得分最高的视觉Token桶（Token Buckets）捕捉长距离视觉依赖。报告测试显示，该机制在百页文档场景中显著优化了计算效率。此外，结合无限解码机制，模型有效降低了超长文档解析的计算与显存开销。Unlimited OCR项目自6月22日第一代发布以来，曾登顶GitHub Daily Trending总榜、Python榜及HuggingFace全球模型总趋势榜，实现四榜第一，GitHub Star在5天内突破1万。

影响分析

本次开源对中文开发者与从业者具有显著的工具链升级意义。传统文档解析工作流中，处理百页以上研报或书籍需分段调用、边缘融合，不仅流程繁琐，还易丢失跨页语义关联。文心Unlimited OCR 2的任意页数解析能力，允许开发者将整本书籍或长篇研报作为单一输入对象直接处理，大幅简化了预处理与后处理逻辑。对于金融、法律、出版及智能客服等需要处理超长文本的行业，该模型在百页场景下单步解码速度较Full Attention提升7倍的实测数据，意味着同等算力下可处理的数据吞吐量呈指数级增长，可直接降低大规模文档结构化分析的成本。开发者无需自行拼接处理，即可通过GitHub开源代码与HuggingFace模型权重，快速集成高可靠的文档解析管线。

适用边界

本文结论基于公开基准测试数据与官方实测结果，主要适用于视觉内容相对规范的数字文档（如PDF电子书、扫描版研报）。若处理对象为严重模糊、非标准排版、复杂图形嵌套或低分辨率扫描件，其84.6分的MPDocBench综合得分可能在实际噪声环境中发生衰减，无法保证与基准测试等效的精度。此外，虽然架构实现了“无限”解析，但实际部署时受限于物理硬件显存大小与推理时间成本，并非完全无计算资源消耗。该结论暂不适用于纯纯文本流处理或单页高频实时扫描场景，此类场景使用轻量级专用模型可能更具性价比。