百度正式发布并开源文心 Unlimited OCR 2，宣称"全球首次实现任意页数文档解析"——把 OCR 的处理上界从几十页推到"无限"，并达到最先进水平（SOTA）。
实测显示，在一次性解析累计超过3600页的大体量书籍，文档长度大幅增加的情况下，依然保持较高的精度和处理效率。
数字上，两个公开基准：多页文档解析的 MPDocBench 拿 84.6 分，专测百页级超长文档的 MarathonDocBench 拿 77.1 分，都是端到端 SOTA，官方称大幅领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash。
关键是那个"无限"是怎么做到的。核心是个叫稀疏参考滑动窗口注意力（Sparse Reference Sliding Window Attention，SR-SWA）的机制，灵感来自人抄书——你抄的时候盯着当前这页，只有要核对前文或者查跨页信息时才回头看，而不是把整本书反复翻一遍。落到模型里：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 桶去抓长距离的视觉依赖。官方报告说，百页文档场景下单步解码速度比 Full Attention 快 7 倍、比上一代 R-SWA 快 5.6 倍。
再配合"无限解码机制"（Unlimited-Horizon Decoding）压低超长文档的计算和显存开销，才把这条路走通。官方的技术演进叙述是三段：传统 OCR 基本只管单页、多页靠结果拼接；第一代 Unlimited OCR 引入参考滑动窗口，拓到连续几十页；到了第二代才真正突破超长文档的计算瓶颈。
上一代的成绩单确实亮眼：6 月 22 日发布，次日就登顶 GitHub Daily Trending 总榜和 Python 榜、HuggingFace 全球模型总趋势榜和多模态模型趋势榜，四榜第一，5 天 1 万 Star。到现在 HuggingFace 累计下载突破 1000 万次，GitHub 2.88 万 Star，还拿到了杨立昆（Yann LeCun）的转发推荐。
代码和权重同步开源到 GitHub 和 Hugging Face，百度智能云和百度 AI 开放平台也上了线。11 月 12 日的百度世界大会还会再讲技术细节。
值得注意的一点：这次开源不只是在刷榜单。"任意页数"这个能力真正卡住的是长篇研报、整本书籍这类实际需求，而以前的方案基本靠分段拼结果，跨页的表格、图表、引用关系一断就废。如果 SR-SWA 的效果能被独立复现，对做文档智能的团队是个直接的替代项。
参考来源