百度开源文心无限OCR 2支持无限页文档解析

一口气把 7本书、共3600 页的内容读完是什么感觉？

10 月 27 日，百度把一件事悄悄做成了"全球首次"——发布并开源 文心无限 OCR 2（Unlimited OCR 2），把 OCR 的处理上限从"数十页"直接推到了"无限页"，还顺手把《哈利·波特》全系列 7 部、累计超 3600 页一口气读完了。

读小说当然不是重点。重点是：当一份文档能"整本被读懂"，而不是一页页拼，AI 改造知识工作的地基，又被人悄悄垫高了一层。

这篇不吹不黑，聊聊三件事：它到底解决了什么老毛病、凭什么能做到、以及百度开源这一步到底打的什么算盘。

一、"页数自由"解决的，是知识工作者的真痛点

传统 OCR 干了两件事，但都有硬伤：

单页识别：一次只看一页，多页文档靠"识别完再拼接"，跨页表格、跨页引用直接崩。
多页拼接：第一代 Unlimited OCR 把范围扩到"连续数十页"，但再往上，算力和显存就扛不住了。

真实世界里，要处理的从来不是一页纸：券商研报动辄两三百页、上市公司年报四五百页、医学文献和专利动辄上千页、整本书籍更是几千页起步。"能读多少页"本质上决定了 AI 能不能真正接管"读文档"这件事。

文心无限 OCR 2 的卖点，就是把这条上限从"几十页"干到了"任意页数"，并在页数暴涨时还能保持精度与效率——这叫从 OCR 2.0（单页/拼接）迈向官方口中的 OCR 3.0（整本理解）。

对普通人这意味着什么？以后把一整本合同、一整套财报、一柜子病历丢给 AI，它不再是"翻到第几页"，而是"整本吃进去再回答你"。RAG（检索增强生成）、企业知识库、法务/医疗/出版这些最吃文档的行业，是直接的受益者。

二、技术内核：它怎么做到的？一句话——"像人抄书"

模型提出的机制叫 SR-SWA（稀疏参考滑动窗口注意力，Sparse Reference Sliding Window Attention）。名字唬人，思路很朴素：

人抄一本书，大部分时间只看当前这页；只有要核对前文、或找跨页信息时，才翻回去看几眼，而不是把整本书反复通读。

SR-SWA 把这个直觉搬进了注意力计算：

页面门控（Page Gate）：先把每个查询的"视觉参考范围"从"整本文档"收缩到"相关页面"，同时建模跨页位置关系——不该看的页，直接别看。
Token Buckets（视觉 Token 桶）：挑出得分最高的视觉 Token，捕捉长距离的视觉依赖——该回看时，精准回看。

成果是工程上的质变：官方报告称，在百页文档场景下，单步解码速度相比 Full Attention 提升 7 倍、相比上一代 R-SWA 提升 5.6 倍；再叠加 无限解码机制（Unlimited-Horizon Decoding） 压低超长文档的计算与显存开销。

说人话：不是参数堆出来的快，是把"冗余计算"砍掉了。 这才是能真正商用的关键。

三、开源这一步，百度打的什么算盘？

看一眼一代的战绩就懂了：6 月 22 日发布，次日登顶 GitHub Daily Trending 总榜 + Python 榜、HuggingFace 全球模型总趋势榜 + 多模态榜，四榜第一；5 天 GitHub Star 破 1 万。截至目前，HuggingFace 累计下载 破 1000 万次，GitHub 2.85 万 Star，还被图灵奖得主 杨立昆（Yann LeCun） 转发推荐。

OCR 2 延续这条路：代码和权重同步开源到 GitHub、HuggingFace，并上线百度智能云与百度 AI 开放平台。

开源 ≠ 做慈善。 在"文档解析"这条垂直赛道，百度要的是两样东西：

标准话语权：谁的开源生态先长起来，谁的接口/范式就成事实标准。
开发者心智：一个能登顶、能被 LeCun 转发的开源项目，是最好的技术品牌广告——比投流便宜，比通稿可信。

对比闭源 API 路线，开源是把"能力"换成"生态入口"。对中小企业和开发者来说，则是免费拿到了原本要花大价钱采购的底层能力。

四、竞技场：和 Qwen / Gemini / GLM / DeepSeek 比，怎么看？

据百度公布的公开基准，在面向多页文档的 MPDocBench 和专测百页级超长文档的 MarathonDocBench 上，文心无限 OCR 2 综合得分分别为 84.6 和 77.1，端到端达到 SOTA，领先于 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等模型。

一句提醒：benchmark 是厂商自己跑、自己发的，名次看看就好，真正分高下的是开源后的社区复现和落地案例。文档解析的护城河，最终不在榜单，而在"谁被用得最多"。