百度于 2026 年 10 月 27 日发布 Unlimited OCR 2。这是一款开源光学字符识别（OCR）模型，旨在通过一次请求读取数百页文档。该模型有 30 亿个参数，采用 MIT 许可证；百度的 GitHub 仓库提供了通过 Transformers 或 SGLang 运行模型的说明。
仓库称，该模型采用稀疏参考滑动窗口注意力机制（Sparse Reference Sliding Window Attention，简称 SR-SWA）。这种方法不会让注意力计算量随文档长度增加，而是保留一组固定大小的参考信息；百度举例称，该集合可包含 512 个 token。百度表示，这样一来，随着文档变长，解码时间和内存占用几乎保持不变。这些是公司的说法，并非所提供材料中的独立测试结果。
百度称，Unlimited OCR 2 在用于评估约百页文档的 MarathonDocBench 上得分为 77.1。MarkTechPost 也报道了这一分数，但现有信息未说明基准测试版本、测试设置或对比模型。百度称，该模型在 MarathonDocBench 和 MPDocBench 上均达到最先进水平；但所提供的信息中，仓库没有列出这两项对比的得分。
如何运行？
百度提供了通过 Transformers 进行多页推理的说明，并建议使用 SGLang 部署服务。百度的 Transformers 示例经过了 Python 3.10 和配备 80GB 内存的 NVIDIA A800 测试。这只是测试环境，并非明确的最低硬件要求。
仓库还介绍了 SGLang 的页面窗口选项，可将长文档拆分成较小的页面组进行处理。百度提醒，窗口越小，峰值内存占用越低，但也更难衔接跨越窗口边界的内容。因此，模型能够在一次请求中接收许多页面，并不意味着任何配置都能不受限制地处理任意大小的文档：硬件和服务配置仍然重要。
为什么重要
对于需要数字化长篇报告或档案的机构来说，一次请求即可让模型利用跨页信息，而不必把每一页都作为独立的 OCR 任务处理。百度以 MIT 许可证开源了该模型，但现有信息无法证明它处理某家机构的具体文档时能达到怎样的准确率，也没有说明其工作负载需要什么硬件。
