百度开源 Unlimited OCR 2：单次请求解析数百页文档

百度开源 Unlimited OCR 2，面向数百页长文档解析

据 MarkTechPost 报道，百度已开源 Unlimited OCR 2，一个面向超长文档的 OCR 视觉语言模型。该模型参数量为 3.34B，官方称可在单次请求中解析数百页的书籍、申报文件与报告，输出覆盖文本、表格、公式、图像、标题层级与阅读顺序。权重以 MIT 许可证发布，代码托管在 GitHub，模型卡列出 Transformers 用于快速测试、定制版 SGLang 用于服务部署。

核心变化在注意力机制

该模型的核心改动是 SR-SWA（Sparse Reference Sliding Window Attention，稀疏参考滑动窗口注意力）。据模型卡说明，它把文本—视觉注意力压缩到固定的参考集合，示例规模为 512 个 token，配置上以 128 token 的局部窗口配合对 32 token 块的 top-16 选择，使解码每步的延迟与显存占用随文档增长基本保持平稳。百度将这一效果称为有限上下文窗口内的「unlimited-horizon」解析，但图像编码与总运行时间仍随页数上升。多页模式下每页消耗 273 个图像 token，最大位置长度为 131,072 token。架构上沿用 DeepSeek-OCR 风格布局：SAM ViT-B 加 CLIP-L 编码器，接入 12 层混合专家解码器，每个 token 路由至 64 个专家中的 6 个，另有 2 个共享专家；百度未披露 v2 的激活参数量。

成绩为自报，且存在明显短板

据百度自行公布的图表，Unlimited OCR 2 在 MPDocBench 上得分 84.6，在 MarathonDocBench 上得分 77.1，均列其对比的 9 个模型之首；前代 Unlimited-OCR 在 MarathonDocBench 上为 0.0。不过所有分数均为百度自报，且仅出现在一张图表图片中，MarathonDocBench 也未找到公开版本。子项中标题层级最弱，长文档场景仅 48.2。运行方面，模型卡称可在单张 CUDA GPU 上以 BF16 运行，百度测试使用 NVIDIA A800-80GB，BF16 权重约 6.7 GB；加载需开启 trust_remote_code，SGLang 服务使用百度定制 wheel，且默认偏置设置可能触发 462 MiB 分配并导致显存不足。具体功能、许可证与部署要求请以官网及模型卡当前信息为准。