刚刚,百度开源再拿全球第一!1000万下载神作杀回来了
- 2026-10-28 13:56:13
曾获LeCun转发推荐、狂揽1,000万下载的百度开源神作，又杀回来了！
时隔4个月，百度今天正式开源新一代文档解析模型——文心Unlimited OCR 2。
它的体量依然轻巧，总参数3B，每次推理实际激活仅500M（5亿）。
但就是这个5亿激活的轻量级模型，直接拿下了两大权威基准的全线第一：
百页级长文档基准MarathonDocBench（103–300页），拿到77.06分，位列第一；
多页跨页基准MPDocBench，拿下84.59分，位居榜首。
光看分数不过瘾，直接上demo感受下。
把《哈利·波特》七部曲，从「魔法石」到「死亡圣器」，一共3600多页PDF，全部塞给Unlimited OCR 2。
点下开始，右上角的页码直接开始狂飙。
整套全部啃完，掐表一看，1小时30分，平均翻一页只要1.5秒左右。整整3623页，翻了3000多次页，它一次也没「断片」。
要知道，上一代模型的极限还卡在40多页；短短120天，百度直接把页数上限给干没了！
这意味着不管是上千页的《三体》全集，还是五千多页的《四大名著》合订本，统统不用切分章节，一次上传就能从第1页死磕到最后一页。
哪怕一路读到第5,000页，它的翻页速度也和读第3页几乎一样快。
同时单序列KV显存更是直接砍掉96.2%，一张普通游戏显卡就能跑满全场。
目前，模型与相关权重已在GitHub和HuggingFace全面开源。
GitHub：https://github.com/baidu/Unlimited-OCR
HuggingFace：https://huggingface.co/baidu/Unlimited-OCR-2
捅破「无限页」禁区三道魔鬼关卡，最后一页验货
既然连3600多页的《哈利·波特》都没探到它的底，Unlimited OCR 2的实力到底有多深？
我们干脆挑了三个最容易让大模型翻车的极限场景，一页页验货。
第一关先测它的耐力极限，看它到底能一口气扛住多长的书。
我们把《三国演义》《水浒传》《西游记》《红楼梦》焊成一份5026页的巨无霸PDF，不分册、不切章，整本直接塞进去。
五千多页一路狂飙到底，全程既不卡壳、也不复读。
为了看它翻到后半程有没有糊弄事，我们直接把进度条拽到最后一页第5026页验货。
翻开最后一页，右侧输出稳稳停在《红楼梦》第一百二十回全书收尾的偈语——
「說到辛酸處，荒唐愈可悲。由來同一夢，休笑世人痴！」
但测到这儿，懂行的人肯定会问，《四大名著》大模型早背熟了，它该不会是看着前文靠记忆「背书脑补」吧？
为了验证它到底是在「真看图」还是「瞎背书」，我们专门搓了一份240页、17.3万字的小说长卷。
在这份长卷的第2页到第237页之间，我们分8个深度区间，悄悄埋进了32个陷阱。
比如在第2页，把「叶文洁」偷偷改成一笔之差的「叶文清」，同页还保留正常的「叶文洁」混淆视听。而在第237页深处，我们又把《魔法史》的第742页暗中改成了第724页。
换作平时爱「自作聪明」的通用大模型，看到这种形近字和熟书页码，早顺手按原著给你「纠正」回去了。
结果Unlimited OCR 2跑完一查，第2页真假混排的「叶文清」与「叶文洁」，连同第237页深处的「第724页」，全按纸面原样精准揪出，一字未改！
既然排除了背书脑补，那它跨页接句到底凭什么这么准？
为了试探它的跨页判断逻辑，我们在《三体》红岸基地「不要回答！」的跨页处拦腰塞进一整张1200MHz脉冲波形图，并在文段里埋入6串随机防伪校验码。
结果6串随机校验码全部一字不差命中，第1页末尾的半截话也直接越过脉冲波形图，和第2页图下方的文字严丝合缝拼回了同一段。
更意外的是，通过对比不同排版，我们还顺势扒出了它跨页接句的「隐藏脑回路」——
当上一页最后一行右侧留有空白时，模型会严格尊重版式，将其判为段落结束。
反之，只有当最后一行像真实印刷书籍那样两端对齐撑满右边界，且语义尚未完结时，它才会果断触发跨页缝合！
五千页纯文字没难住它，第二关我们直接捅向财务、法务和审计最崩溃的雷区——跨页大表与数字刺客。
审过招股书或合同的人都懂，表格一翻页极易串行错列，每页重复表头还得人工删到眼瞎；要是几百页流水里暗藏几笔正负号冲销，盯十分钟就看花了。
针对这个痛点，我们直接生成一份300页、3000笔流水的酒店经营总账，并在里面暗掺176笔负数冲销，整本塞进去对账！
300页大账本一气呵成全部吐完，各页重复表头被自动剥除合拢。
紧接着我们写脚本逐条拉网核对，3000条记录0漏项、0重复，9,000个数字字段与176笔负数冲销没有一格串列！
再把识别出的3000笔金额全部拉出来重新求和，算出的总净额是9,258,968.05元，跟原始账本核对精确到分，一分不差！
长文不脑补、账表不串行，最后一关再来测测版面最刁钻的学术论文、竖排古籍与多栏折页。
第一份样本，我们干脆拿百度今天刚放出的15页单栏英文技术报告，让它「自己读自己」！
整篇报告里最难的一处排版，藏在第7页翻到第8页的交界处。
这里第7页右下角一句英文刚说半截，第8页头顶却直接杵着占满半页的Figure 4架构图和6行图注，真正的后半句被挤到了大图正下方。
面对这种图文拦腰截断，Unlimited OCR 2先把半页大图和图注单独拎出，紧接着视线直接越过整张大图，把上下半截英文严丝合缝接回了同一句话！
同时，论文里满屏的门控注意力公式与算法伪代码，也当场转成了可直接编译的LaTeX源码。
最后再上一道版面极其复杂的双页非对称三栏折页，两页纸里把深色反白侧栏、多张图表、跨页续表，外加底部6.8磅的蝇头小字脚注全塞在了一块。
即便版面如此杂乱，输出的左栏、中栏、侧栏阅读顺序依然清清爽爽，60个表格单元格、行内公式和4条小字脚注，跟原件逐一对应！
为什么百万上下文的大模型一读百页PDF就集体「失忆」？
看完上面三关实测，一个扎心的问题随之浮现——如今通用大模型动辄1M上下文，为什么一读百页级PDF反而集体拉胯？
百页基准MarathonDocBench的成绩单就是最直观的印证，文心Unlimited OCR 2用5亿激活参数砍下77.06分，直接甩开第二名（33.74分）2.3倍以上。
相比之下，同台竞技的Gemini-3.1-Pro掉到26.97分，更有通用旗舰在读到第223页时直接崩盘中断。
为什么窗口这么大还会崩？病根就出在海量的「视觉token」上。
因为PDF每翻一页都会炸出上千个视觉token，而在标准全注意力下，模型每往下写一个字，都得把前面所有页面的视觉token重算一遍！
这就像抄书到第200页时，每写一字都要把前199页原书从头翻一遍。
随之而来的代价是，文档从2页加到100页，单步解码延迟就会从3毫秒暴涨至27毫秒；几百页无关像素涌入，更让模型在后半程彻底「走神」。
把人类「抄书匠」的直觉写进SR-SWA稀疏注意力
既然「全页重算」是一条死胡同，那人类抄书匠平时是怎么干活的？
人抄几千页的大部头时，95%以上的时间只盯手头这一页；只有抄到翻页处或需要核对前文图表人名时，才会精准往回翻一眼。
说穿了，单页内信息高度聚合，跨页视觉关联极其稀疏。
顺着这个最朴素的直觉，百度团队掏出了第二代杀手锏——稀疏参考滑动窗口注意力（SR-SWA）。
拿3623页《哈利·波特》第七部「哈利与伏地魔最终决战」来说，SR-SWA只用两步就把计算量按住。
第一步，当模型读到决战某一行时，Page Gate（页面门控）先出手「圈范围」，把视野从几千页收缩到少数候选页。
第二步，Token Sieve（Token筛子）在候选页中实时打分「挑重点」，只抓出「闪电形伤疤」或「魂器」等最相关的几个视觉块参与计算，其余无关像素统统略过。
不同于靠「蒸馏模仿」的稀疏方案，这套筛选器的路由打分直接参与前向计算，OCR转录梯度可以端到端回传。
也就是说，该翻哪一页、抓哪一块，全是模型在抄书实战中练出来的本能——不管喂10页还是5000页，每步计算的视觉信息量都被限制在固定常数上。
把单步算力锁死在常数后，团队又配套端出「无限解码机制」（Unlimited-Horizon Decoding），顺手拆掉了显存墙。
它的运作方式就像一场无缝交接的接力跑，超长文档按窗口依序推进，相邻窗口之间只留一页「交接页（Boundary Page）」直接复用KV缓存，确保翻页处断句与续表不断流。
一旦当前窗口转录完毕，历史窗口的缓存立即从显存中物理释放，真正做到「边读边扔，轻装上阵」。
这两项设计把长文档推理的硬件门槛打穿了地板，在百页级测试集上带来三项核心跃升——
单序列峰值KV显存暴降96.2%，从标准解码的47.00GB直接压至1.77GB，普通显卡即可跑通；
16路并发吞吐狂飙3.65倍，每秒吞吐量从360 TPS飙升至1,315 TPS；
百页单步解码提速7.0倍，比标准全注意力快7.0倍，比一代R-SWA快5.6倍。
随着文档一路拉长到300页，通用旗舰准确率跳水、延迟陡峭冲顶；唯有文心Unlimited OCR 2准确率稳如水平线，解码延迟贴地飞行。
此身为OCR所成「无限剑制」撞开OCR 3.0大门
翻开这份硬核技术报告的第一页，引言最开头印着一段让极客会心一笑的「咏唱」——
Pixels are my body, and tokens are my blood. （像素为身，而Token为血。）
I have parsed over a thousand pages. （我已阅尽千余页文档。）
Unknown to KV cache , Nor known to context limits. （不为KV Cache所限，不为上下文长度所缚。）
So, as I pray: Unlimited OCR Works. （故而，我在此祈愿：Unlimited OCR Works。）
老二次元和极客一眼就能认出来，这正是致敬《Fate/stay night》经典的固有结界咏唱——「无限剑制（Unlimited Blade Works）」。
早在第一代模型开源时，一位名叫Snarcy的开发者就在HuggingFace评论区看穿了这个命名巧思，随手把台词改写成了OCR版本。
没想到百度团队看到后如获至宝，一直珍藏至今，今天发布2.0技术报告时直接印在引言第一行，并郑重署上了这位网友的ID。
这句「Unlimited」，也正是文档解析迈入OCR 3.0时代的标志。
当AI圈还在为闭源大模型动辄几百万Token的PDF解析账单肉疼时，百度用这枚5亿激活的小模型，把长文档解析的上限直接推向了「不设上限」。
还记得初代论文结尾曾留下一句展望——如果让模型学会自动翻页，OCR就不再是识别一页文字，而是读懂一整本书。
今天，无论是几百页的招股书、上千页的工程标书，还是五千页的传世长卷，都不再需要切碎后喂给机器——这句展望，终于照进了现实。
扫描二维码添加小助手微信
