返回首页

Unlimited OCR 2

x+hf+web 0.92
访问原文

介绍

Unlimited OCR 2（文心无限 OCR 2）是 百度（Baidu Research） 于 2026 年 10 月 27 日 正式发布并开源的文档解析 OCR 模型。官方称其首次把端到端文档解析从「数十页长文」推进到「任意页数」的无限视界（unlimited-horizon），并在 MPDocBench、MarathonDocBench 等基准上报告 SOTA。

一代 Unlimited OCR 于 2026-06-22 发布后迅速走红（官方称 HF 下载破千万、GitHub 星标约 2.85 万）。二代核心升级是 Sparse Reference Sliding Window Attention（SR-SWA）：把超长文本-视觉注意力压缩到固定大小的工作参考集（例如 512 tokens），使逐步解码时延与显存几乎不随页数增长。权重托管于 Hugging Face baidu/Unlimited-OCR-2（约 3B 参数，MIT），代码在 GitHub baidu/Unlimited-OCR；@BaiduResearch 官方发帖当日曝光约千级。

解释

关键能力（官方模型卡 / 通稿）

  1. SR-SWA：借鉴「抄书时只盯当前页、需要时再回看」的人类习惯，将注意力复杂度从随文档长度二次增长，压到近似常数。
  2. 无限视界解析：在有限上下文窗口内解析任意长度文档；官方称实测可一次处理《哈利·波特》七部合计 3600+ 页，并提到 5000 页压力测试仍可完成。
  3. 基准（厂商自报）：MPDocBench 综合约 84.6，MarathonDocBench 约 77.1；相对上一代解码最高约 7× 更快。对比模型包括 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash 等（非独立第三方复现）。

推理与产品形态

  • 开源路径：Transformers 快速试用；推荐 SGLang 服务（支持分页窗口调度、复用上一窗 KV 尾部）。
  • 托管 API：百度智能云 / 百度 AI 开放平台提供「文档解析（Unlimited-OCR）」异步接口，可返回 JSON/Markdown。

与雷达的关系

一代未单独作为词条入库；二代是同日可验证的重大命名版本发布（新注意力机制 + 无限页叙事 + 新权重仓），故以 Unlimited OCR 2 收录。

用法

如何试用

  1. 模型卡：https://huggingface.co/baidu/Unlimited-OCR-2
  2. 代码：https://github.com/baidu/Unlimited-OCR
  3. 本地：按模型卡安装依赖后 AutoModel.from_pretrained("baidu/Unlimited-OCR-2", trust_remote_code=True)，用 infer / infer_multi 做单页或多页解析；长文档优先 SGLang 服务配置。
  4. 云端：百度 AI 开放平台「文档解析（Unlimited-OCR）」异步任务接口（提交 task → 轮询结果）。

适合谁

  • 需要一次吞下数百/数千页财报、合同、书籍的文档智能与 RAG 团队
  • 评估开源 OCR 3.0 / 超长文档解析路线的研究与工程人员

注意

  • 基准分数与 7× 加速来自百度公布结果
  • 标题层级等细节在超长文档上官方亦承认仍有短板
  • 自托管需信任 trust_remote_code；生产建议走 SGLang 或云 API