百度开源 Unlimited OCR 2：支持整本书一次解析，消费级显卡就能跑

百度开源的 Unlimited OCR 2 是一个专门用来吃超长文档的 3B 视觉文档解析模型。你把几百页甚至上千页的扫描图书扔给它，它能在一次请求里完整转成结构化的电子文档，不用再提前把 PDF 切成单页。

它能做什么

很多现有 OCR 系统只能一页一页单独识别。遇到跨页的表格或者读了一半被切断的段落，后级拼合时很容易丢失上下文，排版也全乱了。

Unlimited OCR 2 解决了这个问题。它把多页文档作为一个整体处理，原生输出结构化文档，自动切分并标记标题、段落、表格、公式和图片，同时给出边界框和层级关系。

遇到被分页截断的内容，它会自动识别前后延续关系。跨页的大表会直接合并成一张完整表格输出，被页码打断的文字段落也会在语义层面重新连好，不丢字也不重复。

在实测中，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。在面向多页文档的 MPDocBench（84.6 分）和百页级长文档的 MarathonDocBench（77.1 分）评测中，它的端到端成绩超过了 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash 和 DeepSeek-4.1-Flash 等模型。

怎么跑起来，需要什么硬件

这个模型的参数量只有 3B，下载体积大约 6.9GB，绝大多数消费级 GPU 都能直接跑起来。

它没有采用暴力堆叠上下文窗口的做法，而是引入了 SR-SWA 注意力机制和无界视域解码（Unlimited-Horizon Decoding），优化了长序列下的注意力计算和显存管理。

这样带来的直接好处是，显存占用和单 Token 的解码延迟基本保持平稳，不会出现页数越多、速度越慢甚至直接爆显存的状况。

目前项目页面已经开放了模型下载和运行教程，支持通过 Transformers 和 SGLang 框架进行部署。

为什么重要

如果你手头经常有砖头厚的合同卷宗、招股书或历史档案需要转成结构化文本，这个工具非常值得一试。它省去了传统方案里先切图、做 OCR、再写一堆规则硬拼表格的繁琐流程，把工程链路大幅简化了。

更重要的是，它证明了不需要动用数百亿参数的通用大模型，依靠合理的注意力机制，一个 3B 大小的端到端模型就能在单张消费级显卡上解决千页文档的解析难题。不过在实际业务里，遇到印刷模糊、倾斜严重或排版极其怪异的历史扫描件时，它对跨页语义拼接的容错率仍有待进一步测试。