近日，百度宣布开源其最新的长文档光学字符识别（OCR）模型——Unlimited OCR 2。作为一项重磅技术发布，该模型不仅具备处理超长文本的能力，还因其开源协议和高效的计算架构而备受业界关注。Unlimited OCR 2 是一个拥有 30 亿（3B）参数的模型，其核心突破在于能够在单次请求中高效解析长达百页的文档，且每一步解码的计算成本保持近乎平坦，显著降低了长文档处理的资源消耗。
在传统的 OCR 技术发展中，处理长文档一直是一个棘手的难题。早期的 OCR 系统通常专注于单张图片或短文本的识别，面对连续的长页文档时，往往受限于上下文窗口的长度，导致识别准确率下降或需要分段处理。随着大语言模型（LLM）的崛起，长文档的理解能力得到了提升，但高昂的推理成本和复杂的部署要求限制了其在大规模商业化场景中的应用。百度此次发布的 Unlimited OCR 2，正是为了填补这一空白，提供一种既经济又高效的解决方案。
Unlimited OCR 2 的技术亮点在于其创新的 SR-SWA（稀疏重加权滑动窗口注意力）机制。在处理长序列数据时，注意力机制的计算复杂度往往随着序列长度的增加而呈指数级上升，这使得处理百页文档变得极其昂贵。Unlimited OCR 2 通过 SR-SWA 机制优化了这一过程，它能够在保持模型性能的同时，将每一步解码的计算成本控制在较低且稳定的水平。这意味着，无论文档有多长，模型的处理速度和资源占用都能得到有效控制，不会因为文档页数的增加而导致系统崩溃或延迟剧增。
为了验证模型的有效性，百度团队在 MarathonDocBench 数据集上对 Unlimited OCR 2 进行了严格的测试。结果显示，该模型在该基准测试中取得了 77.1 分的优异成绩。这一高分不仅证明了其在复杂排版、表格识别以及长文本连贯性理解方面的卓越能力，也标志着长文档 OCR 技术在准确率和效率之间找到了新的平衡点。
值得一提的是，Unlimited OCR 2 遵循 MIT 许可证开源，这意味着开发者不仅可以免费使用该模型，还可以将其集成到商业产品中，无需担心版权问题。这一举措极大地降低了长文档处理应用的研发门槛，对于学术界和工业界都具有深远的意义。
从应用场景来看，Unlimited OCR 2 的落地潜力巨大。在法律行业，它可以帮助律师快速处理成千上万页的合同档案；在金融领域，它可以用于财报、审计报告的数字化提取；在科研和教育领域，它能辅助学者对长篇学术论文进行结构化分析和知识挖掘。此外，对于构建数字图书馆和档案管理系统，该模型同样是一个强大的工具。
总体而言，百度开源的 Unlimited OCR 2 是长文档处理领域的一次重要技术迭代。它通过高效的 SR-SWA 注意力机制和开源策略，为解决长文本识别难题提供了新的思路，有望推动相关行业在文档数字化和智能化处理方面的进一步发展。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/10/26/baidu-unlimited-ocr-2-open-source-long-document-ocr/
封面图片来源：Unsplash / 摄影师 Ato Aikins
