百度 1000 万下载的开源神作,这次把＂页数上限＂干没了
- 2026-10-30 15:32:07
先说结论：10 月 27 日，百度把文心 Unlimited OCR 2 全面开源了，模型、权重、连新基准都在 GitHub 和 HuggingFace 上。
初代 Unlimited OCR 是什么来头？LeCun 转发推荐过、GitHub 下载量破 1000 万的文档解析模型，开源圈这两年公认的"长文档神器"。时隔 4 个月，第二代回来了——参数体量没变：总参数 3B，推理时实际激活只有 5 亿。但这次的成绩单，是真正换了一个量级：
MarathonDocBench：百度这次随模型一起放出的百页级长文档新基准，覆盖 103–300 页。Unlimited OCR 2 拿到 77.1 分，全场第一，第二名只有 33.7 分； MPDocBench（多页跨页基准）：84.6 分，榜首，比第二名高出 6.3 分。
更扎心的是百页那一栏。同台的 Gemini 3.1 Pro 只有 27.0 分，有个通用旗舰模型读到第 223 页时直接崩盘中止（官方曲线图里标着"fails 223p"）。1M 上下文的模型，读到 200 多页就倒下了。
为什么？往下看。
第一幕：一整本书，一次请求
官方仓库里放了一段回放 demo：一整本《哈利·波特》，一次请求喂进去，逐页解析、翻页输出，全程不回炉、不切分。
这个演示重点不是"多快"，而是"一次"。初代模型的输入上限卡在 40 页——官方在 MarathonDocBench 上干脆没给它报分，原因就是"40-page input limitation"。第二代直接把窗口概念拆了：给 10 页和给 300 页，每一步的计算量是同一个常数。
页数上限消失，带来的是硬件门槛的消失。官方报告里一组对照：
单序列峰值 KV 显存：标准解码 47.00GB → 无限解码 1.77GB，砍掉 96%； 16 路并发吞吐：360 TPS → 1315 TPS，3.6 倍； 百页单步解码延迟：比标准全注意力快 7.0 倍，比一代 R-SWA 快 5.6 倍。
一张普通游戏显卡跑百页文档，从"想都不敢想"变成了"确实能跑"。
第二幕：百页基准上，它稳得像条水平线
分数怎么来的？看官方 Figure 6 这张图就够了：横轴是文档长度（2 页到 300 页），一条曲线是准确率，一条是单步解码延迟。
别的旗舰模型是双跌：文档越长，准确率跳水，延迟陡峭冲顶。Unlimited OCR 2 的准确率是一条水平线，延迟贴着地走。
百页级长文档为什么这么难？病根在视觉 token。PDF 每翻一页就炸出上千个视觉 token，标准全注意力下，模型每生成一个新字，都要把前面所有页面的视觉 token 重新算一遍注意力——相当于抄书抄到第 200 页，每写一个字都要把前 199 页原书从头翻一遍。
代价是双重的：延迟随页数平方级上涨；几百页无关像素灌进注意力，模型后半程直接"走神"，该记的忘了，不该编的开始编。
跨页能力是另一个隐形考点。官方专门设了两项跨页指标：T-TextEdit（跨页文本拼接）和 T-TableTEDS（跨页表格拼接）——一句话从第 3 页末尾跨到第 4 页开头、一张表头在第 5 页续到第 6 页，这种场景通用模型翻车率极高。Unlimited OCR 2 在这两项上同样是第一：T-TextEdit 90.0，T-TableTEDS 89.5。
第三幕：把"抄书匠的直觉"写进注意力
百度的解法，一句话能说清：像人抄书一样做长文档解析。
人抄几千页的大部头，绝大多数时间只盯手头这一页；只有翻到页脚、或者要核对前文图表人名时，才精准往回翻一眼。翻译成技术语言：单页内信息高度聚合，跨页的视觉关联极其稀疏。
顺着这个直觉，第二代的核心是 SR-SWA（稀疏参考滑动窗口注意力），两步走：
Page Gate（页面门控）先圈范围——视野从几千页收缩到少数候选页； Token Sieve（Token 筛子）再挑重点——候选页里实时打分，只抓最相关的几个视觉块参与计算，其余像素略过。
关键设计在最后一句：这套筛选器的路由打分直接参与前向计算，OCR 转录的梯度可以端到端回传。"该翻哪一页、抓哪一块"是模型在抄书实战里自己练出来的，不是靠蒸馏模仿贴上去的。
算力锁住之后，显存还得拆。无限解码机制（Unlimited-Horizon Decoding）把超长文档切成窗口接力跑：相邻窗口只留一页"交接页（Boundary Page）"复用 KV 缓存，保证翻页处的断句和续表不断流；当前窗口转录完，历史缓存从显存里物理释放——边读边扔，轻装上阵。
彩蛋：Fate 咏唱被印进了论文引言
技术报告引言第一行，印着一段让极客会心一笑的"咏唱"：
Pixels are my body, and tokens are my blood. I have parsed over a thousand pages. Unknown to KV cache, nor known to context limits. So, as I pray: Unlimited OCR Works.
老二次元一眼就能认出：这是《Fate/stay night》"无限剑制（Unlimited Blade Works，UBW）"固有结界咏唱的 OCR 改版。初代开源时，一位叫 Snarcy 的开发者在 HuggingFace 评论区看穿了命名巧思，随手写了这段改写。百度团队看到后如获至宝，直接印进 2.0 报告引言第一行，署上了这位网友的 ID。
一个开源项目的名字梗被官方论文郑重引用——这可能是我对这个团队好感度拉满的时刻。
写在最后
初代论文结尾留过一句展望：如果模型学会自动翻页，OCR 就不再是识别一页文字，而是读懂一整本书。
今天这句展望照进了现实——几百页的招股书、上千页的标书和古籍扫描，不用切章、不用切册，一次上传读到底。而且它报告标题里那句话没说错：Pioneering the OCR-3.0 Era。OCR 1.0 是多模块流水线，2.0 是端到端视觉语言模型，3.0 是"不设页数上限"。
全开源：模型、权重、MarathonDocBench 基准，都在下面。5 亿激活的体量意味着你家的显卡就能上手：
GitHub：https://github.com/baidu/Unlimited-OCR[1] HuggingFace：https://huggingface.co/baidu/Unlimited-OCR-2[2]
下一篇聊聊 SR-SWA 这套"抄书匠注意力"对通用长上下文模型的借鉴价值。觉得有用点个关注。
引用链接
[1]https://github.com/baidu/Unlimited-OCR
[2]https://huggingface.co/baidu/Unlimited-OCR-2
