百度开源 Unlimited OCR 2，支持数百页文档解析
Baidu Open-Sources Unlimited OCR 2 for Hundred-Page Document Parsing
百度开源 Unlimited OCR 2，一个 3.34B 参数的 OCR 视觉语言模型，可在单次请求中解析数百页书籍、财报和报告，权重以 MIT 协议发布，代码在 GitHub。
原文给出 SR-SWA 的稀疏注意力机制与百页文档基准对比，可看长文档 OCR 的上下文成本如何被压平。
同一件事另外 1 家也报道了
- MarkTechPost··首发·当前阅读
百度开源 Unlimited OCR 2，支持数百页文档解析
- IT之家 · AI··+3 天
百度开源发布文心 Unlimited OCR 2 文档解析模型，支持“无限”页数
新增信息：原生支持版面要素切分识别及跨页文案合并、表格识别合并；MPDocBench 基准测试得 84.6 分、MarathonDocBench 基准测试得 77.1 分。
按发布时间排列 · 事件后续出现时自动追加 · 由模型根据各家标题与摘要比对
百度发布了Unlimited OCR 2，这是一个为超长文档构建的开源OCR模型。3B模型能够一次性解析几百页的书籍、申报文件和报告。其核心变化是SR-SWA，一种稀疏注意力方案，使每步解码成本几乎保持平稳。权重在MIT许可证下发布，代码托管在GitHub上。
简而言之
- 大小： 3.34B参数。未披露活跃参数数量。最大位置长度131,072个token。
- 运行于： 1个CUDA GPU在BF16上。百度在NVIDIA A800-80GB上进行了测试。BF16权重总大小约为6.7 GB。
- 性能： 在百度测试的两个多页基准测试中都获得第一名，对比了9个其他模型（自我报告）。
- 最佳： 在MarathonDocBench（几百页）上总体得分为77.1。下一个模型Kimi-K3得分为33.7。
- 最差： 在MarathonDocBench的heading hierarchy（TEDS）上得分为48.2，这是它的最低子分数。
Unlimited OCR 2是什么？
Unlimited OCR 2是百度的一个3B视觉语言模型，它将有序的页面图像转换为结构化文本。输出包括文本、表格、公式、图表、标题和阅读顺序。它接替了Unlimited-OCR，该模型于2026年6月发布，以进一步推动DeepSeek-OCR。
配置 config 保持 DeepSeek-OCR 风格布局。一个 SAM ViT-B 加上 CLIP-L 编码器为 12 层专家混合解码器提供输入。每个 token 路由到 64 个专家中的 6 个，加上 2 个共享专家。 DeepSeek-OCR 论文 将这个解码器描述为 DeepSeek3B-MoE-A570M。百度没有声明版本 2 的活跃计数。在多页模式下，每页需要 273 个图像 token。
SR-SWA如何工作？
全注意力成本随序列长度呈二次方增长。在解码过程中，每个新token扫描更长的KV缓存。在每页273个图像token的情况下，100页在输出任何内容之前会增加27,300个输入token。
SR-SWA代表稀疏参考滑动窗口注意力。它将文本-视觉注意力压缩到一组固定的工作参考中。百度的模型卡给出了512个token作为示例大小。配置将128个token的局部窗口与32个token块上的top-16选择配对。那就是16个32个token的块，匹配512个token的预算。
这使每步延迟和内存随着文档的增长几乎保持不变。它将结果称为在有限上下文窗口内的“无限视野”解析。图像编码和总运行时间仍然随着页数增加。
它在MPDocBench和MarathonDocBench上的得分如何？
百度团队在MPDocBench上测试，每份文档有几十页，在MarathonDocBench上测试，每份文档有几百页。 MPDocBench-Parse是一个包含433份文档和3,246页的公共基准测试。我们找不到公开的MarathonDocBench发布。
根据百度的排行榜图表，Unlimited OCR 2在MPDocBench上得分为84.6。Qwen3.8-Max紧随其后，得分为78.3，然后是Qwen-3.8-Flash-Next，得分为77.4。在MarathonDocBench上它得分为77.1。Kimi-K3紧随其后，得分为33.7，然后是Gemini-3.8-Flash，得分为28.6。
基准测试之间的差距才是真正的故事。Qwen3.8-Max从78.3下降到22.9在百页文档上。Unlimited OCR 2下降了7.5分。它的前身Unlimited-OCR在MarathonDocBench上得分为0.0。
子分数（MPDocBench / MarathonDocBench）：
- 文本：94.8 / 89.6
- 公式：89.4 / 87.9
- 阅读顺序：92.3 / 85.3
- 表格：87.8 / 74.8
- 标题层次结构：60.1 / 48.2
MPDocBench 上的单指标裕度很薄。Qwen3.8-Max 在文本上得分 94.3，在公式上得分 89.2。所有数据均为自我报告，并且仅在图表图像中显示。
与其他开源 OCR 模型的比较
| Unlimited OCR 2 | Unlimited-OCR | DeepSeek-OCR-2 | PaddleOCR-VL-1.6 | |
|---|---|---|---|---|
| 开发者 | 百度 | 百度 | DeepSeek | 百度 PaddlePaddle |
| 参数 | 3.34B | 3.34B | 3.39B | 0.96B |
| 活跃参数 | 未披露 | 未披露 | 未披露 | 未披露 |
| 许可证 | MIT | MIT | Apache 2.0 | Apache 2.0 |
| 论文/发布 | 2026 年 10 月 (报告) | 2026 年 6 月 (arXiv) | 2026 年 1 月 (arXiv) | 2026 年 6 月 (arXiv) |
| 长文档机制 | SR-SWA, 512-token 参考集 | 多页 infer_multi，无 SR-SWA | 未披露 | 未披露 |
| MPDocBench 总体 | 84.6 (百度) | 61.9 (百度) | 未报告 | 未报告 |
| MarathonDocBench 总体 | 77.1 (百度) | 0.0 (百度) | 未报告 | 未报告 |
| 服务 | Transformers, 自定义 SGLang | Transformers, vLLM, SGLang | Transformers, SGLang | PaddleOCR, Transformers |
参数数量和许可证来自每个模型的 Hugging Face 页面。基准分数来自 百度的图表.
如何运行 Unlimited OCR 2?
模型卡 model card 列出了用于快速测试的 Transformer 和用于服务的 SGLang。在 Transformer 中，infer 处理 1 页，使用动态瓦片，称为 gundam 模式。infer_multi 在 1 个请求中解析文档的每一页，因此模型保持跨页上下文。加载需要 trust_remote_code=True，它从仓库运行 Python 代码。
SGLang 服务使用来自百度的自定义轮子，而不是上游 SGLang。百度的示例为每个窗口调度 10 页，并重用前一个窗口的 KV 尾部。较小的窗口会降低峰值内存，但会削弱跨页合并。百度警告默认偏差设置可能会触发 462 MiB 的分配并耗尽内存。
关键要点
- Unlimited OCR 2 是百度的一个 3.34B、MIT 许可的 OCR 模型。
- SR-SWA 将注意力限制在固定的 512-token 参考集上。
- 它在 MarathonDocBench 上得分 77.1，而下一个模型的得分为 33.7。
- 标题层次结构是弱点，在长文档上得分为 48.2。
- 所有基准数字都是百度的。
查看 模型卡， 技术报告 和 GitHub 存储库。此外，欢迎关注我们在 Twitter 上的动态，别忘了加入我们的 15k+ML SubReddit 并订阅我们的 简报。等等！你用 Telegram 吗？现在你也可以加入我们的 Telegram。
需要与我们合作推广你的 GitHub 存储库 OR Hugging Face 页面 OR 产品发布 OR 网络研讨会等？联系我们
文章 百度开源 Unlimited OCR 2 用于百页文档解析 首次出现在 MarkTechPost.
来源: MarkTechPost · marktechpost.com