做过三次 OCR 横评的我告诉你：Unlimited OCR 2 的真正杀手锏不是"读得多"，而是"每一步只看该看的"。
文章目录
部分视频或图片暂未收录，已在正文保留提示；需要时可查看原文。查看原文 ↗
老朋友都知道我之前测评过几次OCR 对比的横向测评，感兴趣的可以看看之前的测评，我这里给没看过的朋友回顾一下。
1、别瞎花钱了！我实测了 18 个文档 6 类场景，教你选对 OCR 模型！（项目已开源+实测数据）
2、亲手实测：不用花钱，仅需 10 分钟就可以在笔记本搭好本地 OCR 工作流，三档模型任你选！（免费开源！）
3*、最新开源的Unlimited-OCR能一次性处理几百页文档，而且速度还很稳。*
这里想要说的是，其实针对OCR的这个场景来说，对于很多中小企业其实是非常实用的，且可以沉淀数字资产的一个重要路径和方法。
在整个的OCR赛道里面，我们发现目前综合表现最优的还是Paddle OCR 、以及今天刚刚看到新开源的文心UnlimitedOCR 2，直接可以将3623 页的《哈利·波特》七部曲 PDF 的扫描出来。
整本扔给这个 OCR 模型，不切分，不拼接，1 小时 30 分后，最后一页也解析完了。
真的，你换做之前真的难以想象，3600多页居然可以一口气解析完，并且精度也是到位的。
官方还拿1222 页的《三体》全集测了下，用了 50 分钟，我有点不相信哈哈，这么狠？
直到我自己也拿对应的《平凡的世界》这本书做了一个测试，全书1665页，并且是真正的图片版本的PDF。
总耗时40分钟，直接OCR的结果最后可以下载TXT文本，展示视频24x倍速，可以看看识别过程~~
这个模型叫文心 Unlimited OCR 2，百度文心团队以及在 10 月 27 日开源。
开源地址：https://github.com/baidu/Unlimited-OCR
我第一反应是，上下文窗口得开多大才装得下？翻完技术报告，答案正好反过来。
这个结论还挺有意思的，居然是它能读这么长，靠的是每一步看得更少，这样就是可以可持续的单次少了，但是总长度拉长了。
而过去各大厂家都在卷让模型「看得更多」！
这两年大模型的主旋律是上下文越来越长，几十万、上百万 token，好像窗口够大，什么都装得下。
长文档 OCR 一开始也是这个思路。上一代 Unlimited OCR 用 R-SWA 把连续解析做到了几十页，开源后 HuggingFace 下载破 1000 万，GitHub 拿下 2.86 万 Star，杨立昆也转发过。
Unlimited OCR 当时最多只能输入 40 页。原因很朴素：写出来的文字可以只留一个窗口，但每生成一个字，模型还要回头看前面所有页面的视觉 Token。页数翻倍，要看的东西也翻倍。
窗口大，不等于读得完。团队新做了一个评测集 MarathonDocBench，100 份文档，每份 103 到 300 页。参与对比的通用大模型，综合分最高只有 33.74。
团队的解决方案的灵感来自“抄书”？
你抄一本厚书，眼睛只盯着当前这页。碰到「见前文」，才回头翻一下。没人会把整本书一直摊在脑子里。
多页文档也是这样，页内关联很密，跨页依赖很稀。全局注意力让每一页都和每一页交互，大部分计算是白算的。
左：R-SWA 每一步都看所有页面的视觉 Token。右：SR-SWA 只挑相关区域看。
这一代的核心就从这里来：
SR-SWA（稀疏参考滑动窗口注意力）：每生成一个 Token，只从整本文档里挑出一个固定大小的视觉信息集合来参考。就像去图书馆查资料，先走到对的书架，再抽最相关的几本，用不着把整座图书馆搬到桌上。文档再长，这个集合也不变，所以每一步的计算量不随页数增长。
挑的过程分两步。
Page Gate（页面门控）先划范围，把查找从整本书缩到相关页面，并给每个位置记上「第几页、页内第几个」。
Token Sieve（Token 筛选器）再挑重点，把候选信息切成固定大小的块，打分，只留得分最高的 top-k 块，再加上手边的一个局部窗口。
比如读到第七部哈利和伏地魔对决，模型可能挑出前文写到伤疤、写到魂器的那些区域，其余几千页，这一步都不用算。（例子只为帮助理解，模型实际处理的是页面图像区域和视觉 Token，并不检索情节。）
显存那头也一起管了。无限解码机制把文档切成按页重叠的分块，像接力赛交接棒，相邻两块共用一页的 KV Cache，跑完的那一棒直接释放。百页级文档上，峰值显存从 47 GB 降到 1.77 GB。
大模型「少看」后的结果反而更好！
左图是准确率随页数的变化。通用模型越往后越掉，文心 Unlimited OCR 2 从几页到 300 页，基本是一条平线。 右图是单步解码延迟。到百页规模，它比全注意力快 7.0 倍，比 R-SWA 快 5.6 倍。
深蓝色是文心 Unlimited OCR 2，在所有评测类别中都保持最先进水平（SOTA）。
团队也写了短板：稀疏注意力不保留全局信息，标题层级这类整篇级的结构，仍是它得分最低的一项。
一个彩蛋
技术报告引言的第一段，是一段咏唱：「像素为身，而 Token 为血。我已阅尽千余页文档。不为 KV Cache 所限，不为上下文长度所缚。故而，我在此祈愿，Unlimited OCR Works。」
看过《Fate/stay night》的会心一笑，这是在致敬「无限剑制」。
上一代的名字就来自这里，网友在 HuggingFace 改写的 OCR 版咏唱，被团队收进了这一代的报告。
还挺有意思的😄
最后
Unlimited OCR 解决的是看懂一页，而文心Unlimited OCR 2 要解决的是读完一整本。
而读完一本的办法，和人抄书一样，盯住眼前这一页，只在需要时回头。
下次有人说长文档只能靠更大的上下文窗口，你可以想想这 3623 页是怎么读完的。
GitHub：https://github.com/baidu/Unlimited-OCR
HuggingFace：https://huggingface.co/baidu/Unlimited-OCR-2
关于文心 Unlimited OCR 2 的更多细节，百度将在11月12日举行的百度世界2026公开课上进一步分享。
#文心 #文心大模型 #文心无限OCR2 #无限OCR #UnlimitedOCR #百度世界2026
