10月27日，百度正式发布并开源文心 Unlimited OCR 2，宣称在全球范围内首次实现任意页数文档解析，将 OCR 的处理上限从过去的数十页一举推向“无限”，并在多项公开基准上达到端到端性能 SOTA。这一发布意味着文档解析技术开始从“逐页识别、结果拼接”的旧范式，迈向能够整体理解超长文档的新阶段，也被百度称为 OCR 3.0 时代的重要标志。
从实测表现看，文心 Unlimited OCR 2 的能力边界被明显拉宽。官方披露，该模型能够一次性解析《哈利·波特》全系列 7 部作品，累计超过 3600 页，在文档长度大幅增加的情况下依然保持较高精度和处理效率。公开基准测试中，面向多页文档解析的 MPDocBench 上综合得分为 84.6 分，专门评估百页级超长文档解析能力的 MarathonDocBench 上得分为 77.1 分，均达到端到端性能 SOTA，并大幅领先 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等模型。
这一突破的核心，是团队提出的稀疏参考滑动窗口注意力机制（SR-SWA）。该机制借鉴了人类抄录书籍的过程：人通常专注于当前页面，只有在需要核对前文或查找跨页信息时才会回看相关内容，而不是反复翻阅整本书。SR-SWA 将这一思路引入注意力计算，先由页面门控把每个查询的视觉参考范围从整份文档缩小到相关页面，同时建模跨页位置关系，再引入得分最高的视觉 Token 桶来捕捉长距离视觉依赖。测试显示，在百页文档场景中，SR-SWA 的单步解码速度相比 Full Attention 和上一代 R-SWA 分别提升 7 倍和 5.6 倍。
背景上看，随着 AI 应用深入，长篇研报、整本书籍、合同卷宗等超长文档的解析需求快速增长，传统 OCR 多局限于单页，多页解析往往依赖结果拼接，难以处理跨页表格、跨章节引用等复杂结构。第一代 Unlimited OCR 通过参考滑动窗口注意力机制把解析范围拓展到连续数十页，此次第二代则进一步突破计算瓶颈，通过 SR-SWA 减少冗余视觉信息计算，并结合无限解码机制降低超长文档解析的计算与显存开销。
开源层面的反馈同样值得关注。第一代 Unlimited OCR 于 6 月 22 日发布后，次日即登顶 GitHub Daily Trending 总榜与 Python 榜，以及 HuggingFace 全球模型总趋势榜和多模态模型趋势榜，实现四榜第一，GitHub Star 五天突破 1 万，跻身现象级爆款项目。第二代在延续开源策略的同时把能力推向任意页数，预计将进一步提升开发者对超长文档处理场景的关注，并推动 OCR 从“识别工具”向“文档理解基础设施”演进。
