科技日报记者 都芃
10月27日，百度发布并开源文心Unlimited OCR 2，首次实现任意页数文档解析，将OCR的处理上限从数十页推向“无限”，并达到最先进水平（SOTA）。实测显示，该模型能够一次性解析全套《哈利·波特》等超长内容，并保持较高的精度和处理效率，推动文档解析技术迈向OCR 3.0时代。
在面向多页文档解析MPDocBench以及专门评估百页级超长文档解析能力的MarathonDocBench基准测试中，文心Unlimited OCR 2的综合得分分别为84.6分和77.1分，达到端到端性能SOTA，大幅领先国内外同类模型。
这一突破得益于文心Unlimited OCR 2所提出的稀疏参考滑动窗口注意力机制（SR-SWA）。该机制借鉴了人类抄录书籍的过程，即专注于当前页面，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，而非反复翻阅整本书的内容。
SR-SWA将该思路引入模型的注意力计算中。具体而言，页面门控会先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；随后引入得分最高的视觉Token桶，以捕捉长距离视觉依赖关系。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。
随着AI技术的发展，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。传统OCR的解析范围多局限于单页，多页解析通常依赖于结果拼接；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；而此次发布的Unlimited OCR 2则进一步突破了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，结合无限解码机制降低超长文档解析的计算与显存开销，实现了真正意义上的任意页数文档解析。
11月12日，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。据悉，此次大会将以“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，助力企业和开发者加速AI应用落地，推动智能组织进化。
目前，文心Unlimited OCR 2的代码和模型权重同步开源至GitHub、Hugging Face，并同步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。
（受访单位供图）
网友评论
