百度開源 Unlimited OCR 2：支援整本書一次解析，消費級顯示卡就能跑

百度開源的 Unlimited OCR 2 是一個專門用來吃超長文件的 3B 視覺文件解析模型。你把幾百頁甚至上千頁的掃描圖書扔給它，它能在一次請求裡完整轉成結構化的電子文件，不用再提前把 PDF 切成單頁。

它能做什麼

很多現有 OCR 系統只能一頁一頁單獨識別。遇到跨頁的表格或者讀了一半被切斷的段落，後級拼合時很容易丟失上下文，排版也全亂了。

Unlimited OCR 2 解決了這個問題。它把多頁文件作為一個整體處理，原生輸出結構化文件，自動切分並標記標題、段落、表格、公式和圖片，同時給出邊界框和層級關係。

遇到被分頁截斷的內容，它會自動識別前後延續關係。跨頁的大表會直接合併成一張完整表格輸出，被頁碼打斷的文欄位落也會在語義層面重新連好，不丟字也不重複。

在實測中，該模型一次性解析了《哈利·波特》全系列 7 部作品，累計超過 3600 頁。在面向多頁文件的 MPDocBench（84.6 分）和百頁級長文件的 MarathonDocBench（77.1 分）評測中，它的端到端成績超過了 Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash 和 DeepSeek-4.1-Flash 等模型。

怎麼跑起來，需要什麼硬體

這個模型的引數量只有 3B，下載體積大約 6.9GB，絕大多數消費級 GPU 都能直接跑起來。

它沒有采用暴力堆疊上下文視窗的做法，而是引入了 SR-SWA 注意力機制和無界視域解碼（Unlimited-Horizon Decoding），優化了長序列下的注意力計算和視訊記憶體管理。

這樣帶來的直接好處是，視訊記憶體佔用和單 Token 的解碼延遲基本保持平穩，不會出現頁數越多、速度越慢甚至直接爆視訊記憶體的狀況。

目前專案頁面已經開放了模型下載和執行教程，支援通過 Transformers 和 SGLang 框架進行部署。

為什麼重要

如果你手頭經常有磚頭厚的合同卷宗、招股書或歷史檔案需要轉成結構化文本，這個工具非常值得一試。它省去了傳統方案裡先切圖、做 OCR、再寫一堆規則硬拼表格的繁瑣流程，把工程鏈路大幅簡化了。

更重要的是，它證明了不需要動用數百億引數的通用大模型，依靠合理的注意力機制，一個 3B 大小的端到端模型就能在單張消費級顯示卡上解決千頁文件的解析難題。不過在實際業務裡，遇到印刷模糊、傾斜嚴重或排版極其怪異的歷史掃描件時，它對跨頁語義拼接的容錯率仍有待進一步測試。