一句话看懂：百度发布开源 OCR 模型 Unlimited OCR 2，3.34B 参数、MIT 许可，可在单次请求中解析数百页文档。其核心是 SR-SWA 稀疏注意力，让解码单步成本随页数增长趋近持平。
事件核心：发生了什么
2026 年 10 月，百度开源 Unlimited OCR 2。这是一个 3.34B 参数的视觉语言模型，输入有序页面图像，输出结构化文本，覆盖文字、表格、公式、图表、标题层级和阅读顺序。权重以 MIT 许可发布，代码托管在 GitHub 上。
关键变化是 SR-SWA（稀疏参考滑动窗口注意力）：用 128 token 局部窗口加 32 token 块上的 top-16 选择，把文本-视觉注意力压缩到约 512 token 的固定参考集。Baidu 称这样在文档变长时，每步解码的延迟和显存接近恒定。多页模式下每页约 273 个图像 token，最大位置长度 131,072 tokens。
百度自报评测显示，MPDocBench 得 84.6 分，MarathonDocBench 得 77.1 分；对照的 Kimi-K3 为 33.7 分。最低子项是标题层级，MarathonDocBench 上仅 48.2。所有分数均为百度自报，目前公开信息显示仅以图表形式呈现。
为什么重要
长文档 OCR 的难点不只是识别单页，而是跨页上下文和随页数增长的算力开销。传统全注意力在百页输入下 KV 缓存迅速膨胀，推理成本陡增。SR-SWA 的做法是在有限上下文窗口内模拟“无界”解析，图像编码和总运行时间仍随页数上升，但解码单步成本被压平。
从生态看，MIT 许可降低了商用门槛，3B 级模型也能在单张 CUDA GPU 上以 BF16 跑动，官方测试用 A800-80GB，权重约 6.7GB。这对需要本地部署、对数据合规有要求的企业是现实选项。竞争层面，百度同时握有 Unlimited OCR 与 PaddleOCR 两条线，DeepSeek-OCR 等开源项目也在跟进，长文档解析正成为开源 OCR 的新赛点。
对用户/开发者/创作者的影响
开发者可用 Transformers 做单页测试（gundam 模式），用 infer_multi 单次请求解析整份文档；服务化则需百度定制的 SGLang wheel，加载时要开 trust_remote_code。这意味着集成成本不高，但生产部署对自定义运行时有一定依赖。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
创作者和知识工作者处理书籍、财报、合同等长 PDF 时，多了一个可本地运行的开源选择。不过标题层级子项得分偏低，目录和章节结构要求高的场景仍需人工校对。企业采购方面，MIT 许可和单卡需求值得纳入评估，但建议先用自有文档验证自报分数的可复现性。
值得关注的后续
一是 MarathonDocBench 目前未见公开版本，第三方能否复现 77.1 分是检验关键；二是自定义 SGLang 能否并入上游、降低部署摩擦；三是 Kimi、Qwen 等竞品是否跟进长文档稀疏注意力路线，以及标题层级这一短板是否在后续版本补齐。
