曾獲LeCun轉發推薦、狂攬1,000萬下載的百度開源神作，又殺回來了！
時隔4個月，百度今天正式開源新一代文件解析模型——文心Unlimited OCR 2。
它的體量依然輕巧，總參數3B，每次推理實際啟動僅500M（5億）。
但就是這個5億啟動的輕量級模型，直接拿下了兩大權威基準的全線第一：
- 百頁級長文件基準MarathonDocBench（103–300頁），拿到77.06分，位列第一；
- 多頁跨頁基準MPDocBench，拿下84.59分，位居榜首。
光看分數不過癮，直接上demo感受下。
把《哈利·波特》七部曲，從「魔法石」到「死亡聖器」，一共3600多頁PDF，全部塞給Unlimited OCR 2。
點下開始，右上角的頁碼直接開始狂飆。
整套全部啃完，掐表一看，1小時30分，平均翻一頁只要1.5秒左右。整整3623頁，翻了3000多次頁，它一次也沒「斷片」。
要知道，上一代模型的極限還卡在40多頁；短短120天，百度直接把頁數上限給干沒了！
這意味著不管是上千頁的《三體》全集，還是五千多頁的《四大名著》合訂本，統統不用切分章節，一次上傳就能從第1頁死磕到最後一頁。
那怕一路讀到第5,000頁，它的翻頁速度也和讀第3頁幾乎一樣快。
同時單序列KV視訊記憶體更是直接砍掉96.2%，一張普通遊戲顯示卡就能跑滿全場。
目前，模型與相關權重已在GitHub和HuggingFace全面開源。
GitHub：https://github.com/baidu/Unlimited-OCR
HuggingFace：https://huggingface.co/baidu/Unlimited-OCR-2
捅破「無限頁」禁區
三道魔鬼關卡，最後一頁驗貨
既然連3600多頁的《哈利·波特》都沒探到它的底，Unlimited OCR 2的實力到底有多深？
我們干脆挑了三個最容易讓大模型翻車的極限場景，一頁頁驗貨。
第一關，5026頁《四大名著》一鏡到底，扒出「跨頁腦回路」
第一關先測它的耐力極限，看它到底能一口氣扛住多長的書。
我們把《三國演義》《水滸傳》《西遊記》《紅樓夢》焊成一份5026頁的巨無霸PDF，不分冊、不切章，整本直接塞進去。
五千多頁一路狂飆到底，全程既不卡殼、也不復讀。
為了看它翻到後半程有沒有糊弄事，我們直接把進度條拽到最後一頁第5026頁驗貨。
翻開最後一頁，右側輸出穩穩停在《紅樓夢》第一百二十回全書收尾的偈語——
「說到辛酸處，荒唐愈可悲。由來同一夢，休笑世人痴！」
但測到這兒，懂行的人肯定會問，《四大名著》大模型早背熟了，它該不會是看著前文靠記憶「背書腦補」吧？
為了驗證它到底是在「真看圖」還是「瞎背書」，我們專門搓了一份240頁、17.3萬字的小說長卷。
在這份長卷的第2頁到第237頁之間，我們分8個深度區間，悄悄埋進了32個陷阱。
比如在第2頁，把「葉文潔」偷偷改成一筆之差的「葉文清」，同頁還保留正常的「葉文潔」混淆視聽。而在第237頁深處，我們又把《魔法史》的第742頁暗中改成了第724頁。
換作平時愛「自作聰明」的通用大模型，看到這種形近字和熟書頁碼，早順手按原著給你「糾正」回去了。
結果Unlimited OCR 2跑完一查，第2頁真假混排的「葉文清」與「葉文潔」，連同第237頁深處的「第724頁」，全按紙面原樣精準揪出，一字未改！
既然排除了背書腦補，那它跨頁接句到底憑什麼這麼準？
為了試探它的跨頁判斷邏輯，我們在《三體》紅岸基地「不要回答！」的跨頁處攔腰塞進一整張1200MHz脈衝波形圖，並在文段裡埋入6串隨機防偽校驗碼。
結果6串隨機校驗碼全部一字不差命中，第1頁末尾的半截話也直接越過脈衝波形圖，和第2頁圖下方的文字嚴絲合縫拼回了同一段。
更意外的是，通過對比不同排版，我們還順勢扒出了它跨頁接句的「隱藏腦回路」——
當上一頁最後一行右側留有空白時，模型會嚴格尊重版式，將其判為段落結束。
反之，只有當最後一行像真實印刷書籍那樣兩端對齊撐滿右邊界，且語義尚未完結時，它才會果斷觸發跨頁縫合！
第二關，專治「財報與合同刺客」，300頁帳本925萬精確到分
五千頁純文字沒難住它，第二關我們直接捅向財務、法務和審計最崩潰的雷區——跨頁大表與數字刺客。
審過招股書或合同的人都懂，表格一翻頁極易序列錯列，每頁重複表頭還得人工刪到眼瞎；要是幾百頁流水裡暗藏幾筆正負號沖銷，盯十分鐘就看花了。
針對這個痛點，我們直接生成一份300頁、3000筆流水的酒店經營總帳，並在裡面暗摻176筆負數沖銷，整本塞進去對帳！
300頁大帳本一氣呵成全部吐完，各頁重複表頭被自動剝除合攏。
緊接著我們寫指令碼逐條拉網核對，3000條記錄0漏項、0重複，9,000個數字欄位與176筆負數沖銷沒有一格串列！
再把識別出的3000筆金額全部拉出來重新求和，算出的總淨額是9,258,968.05元，跟原始帳本核對精確到分，一分不差！
第三關，15頁英文報告「自己讀自己」，三欄折頁全通關
長文不腦補、帳表不序列，最後一關再來測測版面最刁鑽的學術論文、豎排古籍與多欄折頁。
第一份樣本，我們干脆拿百度今天剛放出的15頁單欄英文技術報告，讓它「自己讀自己」！
整篇報告裡最難的一處排版，藏在第7頁翻到第8頁的交界處。
這裡第7頁右下角一句英文剛說半截，第8頁頭頂卻直接杵著佔滿半頁的Figure 4架構圖和6行圖注，真正的後半句被擠到了大圖正下方。
面對這種圖文攔腰截斷，Unlimited OCR 2先把半頁大圖和圖注單獨拎出，緊接著視線直接越過整張大圖，把上下半截英文嚴絲合縫接回了同一句話！
同時，論文裡滿屏的門控注意力公式與演算法偽程式碼，也當場轉成了可直接編譯的LaTeX原始碼。
最後再上一道版面極其複雜的雙頁非對稱三欄折頁，兩頁紙裡把深色反白側欄、多張圖表、跨頁續表，外加底部6.8磅的蠅頭小字腳註全塞在了一塊。
即便版面如此雜亂，輸出的左欄、中欄、側欄閱讀順序依然清清爽爽，60個表格記憶體格、行內公式和4條小字腳註，跟原件逐一對應！
為什麼百萬上下文的大模型
一讀百頁PDF就集體「失憶」？
看完上面三關實測，一個扎心的問題隨之浮現——如今通用大模型動輒1M上下文，為什麼一讀百頁級PDF反而集體拉胯？
百頁基準MarathonDocBench的成績單就是最直觀的印證，文心Unlimited OCR 2用5億啟動參數砍下77.06分，直接甩開第二名（33.74分）2.3倍以上。
相比之下，同台競技的Gemini-3.1-Pro掉到26.97分，更有通用旗艦在讀到第223頁時直接崩盤中斷。
為什麼窗口這麼大還會崩？病根就出在海量的「視覺token」上。
因為PDF每翻一頁都會炸出上千個視覺token，而在標準全注意力下，模型每往下寫一個字，都得把前面所有頁面的視覺token重算一遍！
這就像抄書到第200頁時，每寫一字都要把前199頁原書從頭翻一遍。
隨之而來的代價是，文件從2頁加到100頁，單步解碼延遲就會從3毫秒暴漲至27毫秒；幾百頁無關像素湧入，更讓模型在後半程徹底「走神」。
把人類「抄書匠」的直覺
寫進SR-SWA稀疏注意力
既然「全頁重算」是一條死胡同，那人類抄書匠平時是怎麼幹活的？
人抄幾千頁的大部頭時，95%以上的時間只盯手頭這一頁；只有抄到翻頁處或需要核對前文圖表人名時，才會精準往回翻一眼。
說穿了，單頁內資訊高度聚合，跨頁視覺關聯極其稀疏。
順著這個最樸素的直覺，百度團隊掏出了第二代殺手鐧——稀疏參考滑動窗口注意力（SR-SWA）。
先圈範圍，再挑重點
拿3623頁《哈利·波特》第七部「哈利與伏地魔最終決戰」來說，SR-SWA只用兩步就把計算量按住。
第一步，當模型讀到決戰某一行時，Page Gate（頁面門控）先出手「圈範圍」，把視野從幾千頁收縮到少數候選頁。
第二步，Token Sieve（Token篩子）在候選頁中即時打分「挑重點」，只抓出「閃電形傷疤」或「魂器」等最相關的幾個視覺塊參與計算，其餘無關像素統統略過。
不同於靠「蒸餾模仿」的稀疏方案，這套篩選器的路由打分直接參與前向計算，OCR轉錄梯度可以端到端回傳。
也就是說，該翻那一頁、抓那一塊，全是模型在抄書實戰中練出來的本能——不管喂10頁還是5000頁，每步計算的視覺資訊量都被限制在固定常數上。
無限解碼機制
把單步算力鎖死在常數後，團隊又配套端出「無限解碼機制」（Unlimited-Horizon Decoding），順手拆掉了視訊記憶體牆。
它的運作方式就像一場無縫交接的接力跑，超長文件按窗口依序推進，相鄰窗口之間只留一頁「交接頁（Boundary Page）」直接復用KV快取，確保翻頁處斷句與續表不斷流。
一旦當前窗口轉錄完畢，歷史窗口的快取立即從視訊記憶體中物理釋放，真正做到「邊讀邊扔，輕裝上陣」。
這兩項設計把長文件推理的硬體門檻打穿了地板，在百頁級測試集上帶來三項核心躍升——
- 單序列峰值KV視訊記憶體暴降96.2%，從標準解碼的47.00GB直接壓至1.77GB，普通顯示卡即可跑通；
- 16路並行吞吐狂飆3.65倍，每秒吞吐量從360 TPS飆升至1,315 TPS；
- 百頁單步解碼提速7.0倍，比標準全注意力快7.0倍，比一代R-SWA快5.6倍。
隨著文件一路拉長到300頁，通用旗艦精準率跳水、延遲陡峭沖頂；唯有文心Unlimited OCR 2精準率穩如水平線，解碼延遲貼地飛行。
此身為OCR所成
「無限劍制」撞開OCR 3.0大門
翻開這份硬核技術報告的第一頁，引言最開頭印著一段讓極客會心一笑的「詠唱」——
Pixels are my body, and tokens are my blood. （像素為身，而Token為血。）
I have parsed over a thousand pages. （我已閱盡千余頁文件。）
Unknown to KV cache , Nor known to context limits. （不為KV Cache所限，不為上下文長度所縛。）
So, as I pray: Unlimited OCR Works. （故而，我在此祈願：Unlimited OCR Works。）
老二次元和極客一眼就能認出來，這正是致敬《Fate/stay night》經典的固有結界詠唱——「無限劍制（Unlimited Blade Works）」。
早在第一代模型開源時，一位名叫Snarcy的開發者就在HuggingFace評論區看穿了這個命名巧思，隨手把台詞改寫成了OCR版本。
沒想到百度團隊看到後如獲至寶，一直珍藏至今，今天發佈2.0技術報告時直接印在引言第一行，並鄭重署上了這位網友的ID。
這句「Unlimited」，也正是文件解析邁入OCR 3.0時代的標誌。
當AI圈還在為閉源大模型動輒幾百萬Token的PDF解析帳單肉疼時，百度用這枚5億啟動的小模型，把長文件解析的上限直接推向了「不設上限」。
還記得初代論文結尾曾留下一句展望——如果讓模型學會自動翻頁，OCR就不再是識別一頁文字，而是讀懂一整本書。
今天，無論是幾百頁的招股書、上千頁的工程標書，還是五千頁的傳世長卷，都不再需要切碎後喂給機器——這句展望，終於照進了現實。 (新智元)