百度于10月27日发布并开源文心 Unlimited OCR 2，宣称在全球范围内首次实现任意页数的文档解析，把OCR的处理上限从数十页直接推向“无限”，并在端到端性能上达到SOTA。实测中，该模型一次性解析了《哈利·波特》全系列7部作品、累计超过3600页，在文档长度大幅增加的情况下仍保持较高的精度和处理效率。
公开基准测试进一步量化了其能力。在面向多页文档解析的MPDocBench上，文心 Unlimited OCR 2综合得分为84.6分；在专门评估百页级超长文档解析能力的MarathonDocBench上，得分为77.1分。两个榜单均达到端到端性能SOTA，并大幅领先Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash等模型。
这一突破的核心在于百度提出的稀疏参考滑动窗口注意力机制（Sparse Reference Sliding Window Attention，SR-SWA）。该机制借鉴了人类抄录书籍时的认知过程：人通常专注于当前页面，只有在需要核对前文或查找跨页信息时才会回看相关内容，而不是反复翻阅整本书。SR-SWA将这一思路引入注意力计算——先通过页面门控（Page Gate）把每个查询的视觉参考范围从整个文档缩小到相关页面，同时建模跨页的位置关系；再引入得分最高的视觉Token桶（Token Buckets），以捕捉长距离视觉依赖。报告测试显示，在百页文档场景中，SR-SWA的单步解码速度相比Full Attention和上一代R-SWA分别提升7倍和5.6倍。
从技术演进看，传统OCR的解析范围多局限于单页，多页解析通常依赖结果拼接；第一代Unlimited OCR通过引入参考滑动窗口注意力机制，将解析范围拓展至连续数十页；此次发布的Unlimited OCR 2则进一步突破超长文档解析的计算瓶颈，通过SR-SWA减少冗余视觉信息计算，并结合无限解码机制（Unlimited-Horizon Decoding）降低超长文档解析的计算与显存开销，推动文档解析技术迈向所谓“OCR 3.0时代”。
这一能力升级的背景是，随着AI技术发展，长篇研报、整本书籍等超长文档的解析需求日益增长，对OCR技术提出了全新挑战。处理页数越多，模型需要关注的视觉信息越庞大，计算与显存开销随之膨胀，成为制约实际应用的瓶颈。Unlimited OCR 2试图从注意力机制层面解决这一矛盾，在保持精度的同时控制成本。
开源社区的表现也为该项目提供了注脚。第一代Unlimited OCR于6月22日正式发布后，次日即登顶GitHub Daily Trending总榜、Python榜，以及HuggingFace全球模型总趋势榜、多模态模型趋势榜，实现四榜第一；GitHub Star在5天内突破1万。截至目前，Hugging Face累计下载量突破1000万次，GitHub斩获2.85万Star，并获得图灵奖得主、AI科学家杨立昆（Yann LeCun）的转发推荐。
按照百度公布的计划，11月12日的百度世界2026大会将进一步展示文心 Unlimited OCR 2的技术亮点及应用潜力。本届大会以“下一幕，智能组织”为主题，将发布百度“芯云模体”全栈AI的最新升级成果。目前，文心 Unlimited OCR 2的代码和模型权重已同步开源至GitHub、Hugging Face，并上线百度智能云平台和百度AI开放平台，开发者和企业用户可下载使用。
从产业视角看，超长文档解析是AI落地知识密集型场景的关键一环。研报、法律合同、书籍、档案等材料往往动辄数百页，若模型无法在可控成本下完整处理，AI在专业服务、金融研究、出版等领域的应用就会受限。百度此次将模型开源并同步上线云平台，既是在开发者生态中争夺影响力，也是在为自身云与AI平台导流。不过，基准测试的领先幅度能否转化为真实业务场景中的稳定表现，仍有待更多第三方验证和实际部署检验。