Unlimited OCR 2 是什么：百度开源的超长文档解析模型

它是什么

Unlimited OCR 2 是百度在 2026 年 10 月 27 日发布并开源的文心长文档解析模型，许可证是 MIT。它的输入是文档页面图像，输出是结构化文本，主打把文档解析的页数上限从“几十页”推到“不设限”：几百页的招股书、厚厚的合同卷宗、整批历史档案，可以一次解析、连贯输出。官方演示里，它一次性解析了《哈利·波特》全系列 7 部、累计超过 3600 页的内容。

它解决了哪些老问题

传统 OCR 基本以单页为单位，多页文档靠把每页结果拼起来，常见的毛病是标题、段落、表格混成一团，跨页的表格被拦腰截断，跨页的段落被页码打断。Unlimited OCR 2 针对这几件事分别做了处理：

版面要素原生识别：模型端到端输出结构化文档，自动切分标题、段落、表格、公式、图片，同时给出边界框、块类型和层级结构，输出顺序和阅读顺序一致。跨页表格合并：自动识别表格在下一页的延续，合并成完整的一张表。跨页段落接续：被分页打断的段落在语义层面重新接成完整段落，不丢字、不乱序、不重复。

技术上做了什么

第一代 Unlimited OCR 引入了参考滑动窗口注意力，把解析范围扩展到连续几十页。第二代用 SR-SWA 减少冗余的视觉信息计算，再配合无限解码机制（Unlimited-Horizon Decoding）降低计算和显存开销，所以文档再长，资源占用也不会线性暴涨。

成绩怎么样

官方公布的公开基准成绩：在多页文档解析基准 MPDocBench 上得分 84.6，在专门评估百页级超长文档解析的 MarathonDocBench 上得分 77.1，官方称两项都达到端到端模型的最好水平，并超过了 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash 等通用模型。第一代开源 5 天 GitHub Star 就破万，社区关注度很高。

适合谁

做金融尽调、法律卷宗、档案数字化、知识库建设的团队，最头疼的就是长文档解析后的拼接和清洗，可以直接试它；把解析结果再喂给大模型做问答或摘要，前面的结构化质量决定了后面的效果。开源加 MIT 许可，私有部署和商用都比较方便。AI 主线的看法是：长文档解析是很多 AI 应用的“地基工程”，Unlimited OCR 2 把跨页这件事当成核心问题来解，方向很对，具体效果建议用自己的文档样本验证。