百度开源 Unlimited OCR 2：3B 模型一次解析百页文档

长文档 OCR 的瓶颈，正在从“识别得准不准”转向“能不能一口气读完”。百度这次开源的 Unlimited OCR 2，瞄准的正是后者。

发生了什么

百度发布并开源了 Unlimited OCR 2，采用 MIT 许可证，模型规模为 3B 参数。按官方与报道披露的信息，它能在单次请求内解析上百页文档，而不是像多数 OCR 方案那样按页切分、逐页推理再拼接。

技术上的关键点是名为 SR-SWA 的注意力设计，其效果是让每一步解码的计算开销保持近乎平坦——换句话说，输出长度增长时，单步成本不会随之明显膨胀。这让“一次请求处理整本长文档”在工程上变得可行。在长文档评测集 MarathonDocBench 上，该模型得分为 77.1。

为什么重要

传统 OCR 流水线的隐性成本不在识别本身，而在切分与重组：按页切割会切断跨页表格、跨栏段落和页眉页脚逻辑，后续还要做版面还原与顺序校正，错误会在拼接处累积。文档越长，这套流程越脆弱。

把长文档当作一个整体序列来建模，是近两年多模态文档理解的主流方向，但标准注意力机制的代价随序列长度快速增长，显存和延迟很快成为硬约束。SR-SWA 这类稀疏/滑窗式的注意力改造，本质上是在“保留长程依赖”和“控制单步成本”之间找平衡点。对开源社区而言，MIT 协议加上 3B 这个量级，意味着它可以在单卡或少量消费级 GPU 上部署和微调，而不是只能调用闭源 API。

影响与看点

对开发者来说，最直接的变化是文档处理管线的简化：合同、财报、扫描档案、学术论文这类动辄几十上百页的材料，可以省掉大量预处理与后处理代码，把工程重心从“拼装”转回“校验”。3B 的体量也让私有化部署和领域微调（如票据、病历、古籍）具备了现实可行性。

对行业而言，长文档解析能力是 RAG 与文档智能应用的上游瓶颈。解析环节一旦能稳定输出结构完整、顺序正确的内容，下游检索与问答的质量上限会被抬高。

需要冷静看待的有两点：其一，77.1 是单一基准上的成绩，跨语言、手写体、低质量扫描件等真实场景的表现仍需独立验证；其二，“单次请求百页”在显存占用和首 token 延迟上的实际代价，报道中未给出细节，落地前值得实测。

一个判断：开源长文档 OCR 的竞争焦点，已经从字符准确率转向“单位成本下的有效上下文长度”，谁能在这一维度上持续压低成本，谁就掌握了文档智能应用的入口。