一口气读完3600页全套《哈利·波特》 文心无限 OCR 2 开源，打破文档解析页数上限

　　10月27日，口气开源百度发布并开源文心 Unlimited OCR 2，读完打破全球首次实现任意页数文档解析，页全页数将 OCR 的套哈特文处理上限从数十页推向“无限”，并达到最先进水平（SOTA）。利波实测显示，心无限该模型能够一次性解析《哈利·波特》全系列 7 部作品，文档累计超过 3600 页，解析在文档长度大幅增加的上限情况下，依然保持较高的口气开源精度和处理效率，推动文档解析技术迈向OCR 3.0时代。读完打破

　　公开基准测试显示，页全页数在面向多页文档解析的套哈特文 MPDocBench，以及专门评估百页级超长文档解析能力的利波 MarathonDocBench 上，文心 Unlimited OCR 2 的心无限综合得分分别为 84.6分和 77.1分，达到端到端性能SOTA，大幅领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash等模型。

　　这一突破得益于文心 Unlimited OCR 2 所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 将该思路引入模型的注意力计算中。具体而言，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。报告测试显示，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 则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（Unlimited-Horizon Decoding）降低超长文档解析的计算与显存开销，推动文档解析技术迈向OCR 3.0时代，实现了真正意义上的任意页数文档解析。

　　Unlimited OCR 项目已经获得全球开源社区广泛认可。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， 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，跻身现象级爆款项目行列。截至目前，Hugging Face 累计下载量突破 1000 万次，GitHub 斩获 2.85 万 Star，获得图灵奖得主、AI 科学家杨立昆（Yann LeCun）的转发推荐。

　　11月12日，百度世界2026大会将进一步展示文心 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，将发布百度“芯云模体”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，文心 Unlimited OCR 2 的代码和模型权重同步开源至 GitHub、Hugging Face，并同步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。

　　文心 Unlimited OCR 2 开源地址：

• GitHub：https：//github.com/baidu/Unlimited-OCR
• HuggingFace：https：//huggingface.co/baidu/Unlimited-OCR-2

最新评论