百度一口气开源了文心 Unlimited OCR 2。官方实测直接放了个狠活：模型一次性解析了《哈利·波特》全系列 7 部作品，累计超过 3600 页，全程没有任何分页处理，纯模型推理一口气出结果。

你没看错，3600 页。这不是几十页、不是上百页，是 7 本精装书的体量。

Unlimited OCR 初代 6 月刚发布，第二天就登顶了 GitHub Daily Trending 总榜和 Python 榜，Hugging Face 全球模型总趋势榜和多模态模型趋势榜四榜第一，GitHub Star 5 天破万。而如今，累计 Star 2.9 万，Hugging Face 下载量突破 1000 万次，连图灵奖得主 Yann LeCun 都转推推荐过。

这次的 Unlimited OCR 2，直接把上一代"数十页级"的能力拉到了"任意页数级"，业内给它起了个响亮的称号——OCR 3.0。

项目是什么

文心 Unlimited OCR 是百度文心团队开源的端到端超长文档解析模型，定位是下一代 OCR 基础设施。项目基于 DeepSeek OCR 架构做深度改造，核心贡献是在解码器中引入了原创的注意力机制，彻底打破了长文档解析的计算瓶颈。

整个项目分两代演进：

• Unlimited OCR 1：提出 R-SWA（参考滑动窗口注意力）机制，首次把 OCR 从"单页解析"拓展到了"连续数十页一次性解析"，并且在整个解码过程中保持恒定的 KV Cache 内存占用。
• Unlimited OCR 2：在上一代 R-SWA 基础上升级为 SR-SWA（稀疏参考滑动窗口注意力），通过页面门控和 Token 桶两个关键技术，进一步把计算开销从"数十页级别"压缩到"真正的任意页数级别"。

论文地址：arXiv:2606.23050

GitHub 仓库：github.com/baidu/Unlimited-OCR

模型权重：Hugging Face - baidu/Unlimited-OCR-2

核心亮点

1. 任意页数文档解析，真正的"页数自由"

这是 Unlimited OCR 2 最炸裂的能力。传统 OCR 处理长文档要么分页拼接（丢失跨页关联），要么在上下文窗口里硬塞（到上限就崩）。Unlimited OCR 2 通过 SR-SWA 机制，让模型的单步解码延迟和内存占用几乎不随文档长度增长——你喂 10 页和喂 1000 页，显存占用基本是同一量级。

2. 百页级文档解码速度 7 倍于 Full Attention

SR-SWA 借鉴的是人类读书时的注意力模式：你翻到第 50 页，通常只需要关注当前页和前后几页，不会每次都把前 49 页重新读一遍。模型也是同理——页面门控先把视觉参考范围从整个文档缩小到相关页面，Token 桶再从中提取得分最高的关键信息。

实测数据：在百页文档场景中，SR-SWA 的单步解码速度相比标准 Full Attention 快 7 倍，相比上一代 R-SWA 快 5.6 倍。

3. 两大权威基准测试同时拿第一

这是业内公认的两个长文档解析评测集，尤其 MarathonDocBench，之前几乎没有模型能完整跑完。

• MPDocBench（多页文档解析）：84.6 分，大幅领先 Qwen、Gemini、GLM、DeepSeek 等主流模型。
• MarathonDocBench（百页级超长文档）：77.1 分，目前唯一能在这个测试上保持高精度的端到端模型。

4. 恒定 KV Cache，部署零负担

第一代 Unlimited OCR 就实现了恒定 KV Cache，第二代在 SR-SWA 架构下进一步优化。这意味着无论你解析 10 页还是 1000 页，模型的显存占用始终稳定在一个固定值，不会出现"文档越长越吃显存"的线性爆炸。

对于企业级部署来说，这比单纯的精度提升更重要——你的 GPU 资源可以精确预估，不需要为了极端情况过度配置。

功能特性

• 多页文档一次性解析：把一份文档的所有页面图片按顺序传给模型，一次性拿到完整的结构化输出。模型内部会自动处理跨页内容的关联。
• 单页高精度解析：单页场景下，模型默认使用"高达模式"（dynamic tiling），把一张复杂页面拆成多个区域分别分析再整合，特别适合那种排版复杂、图文混排、表格密集的页面。
• PDF 直接转写：配合 PyMuPDF，一条命令就能把整个 PDF 转成 Markdown 格式的结构化文本，表格、公式、图片位置标注都能保留。
• 三种推理后端支持：Transformers（原生快速测试）、SGLang（生产环境推荐）、vLLM（已适配）。
• 训练支持：支持 ms-swift 进行微调训练，已在百度智能云、百度 AI 开放平台上线。

快速上手

安装依赖：

pip install torch==2.13.0 torchvision pillow \
    transformers==4.52.1 huggingface-hub==0.36.0 \
    tokenizers==0.21.4 addict==2.4.0 einops==0.8.2 easydict==1.13

加载模型并推理：

import torch
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("baidu/Unlimited-OCR-2", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("baidu/Unlimited-OCR-2", trust_remote_code=True)

写在最后

长文档解析的瓶颈，不一定靠堆更大的模型来解决。

用更好的注意力设计，在现有 3B 参数规模上就能做到任意页数、恒定显存。

这个思路不止能用到 OCR——ASR、机器翻译、代码生成，凡是涉及"长序列解析"的场景，都能从中获得启发。