众力资讯网

长文档终于能一次读,显存却卡住普通人,这次真能改吗

百度Unlimited OCR 2这次最直接的变化,是能把几千页文档一次读完,不用先切页再拼接。它总参数3B,单次推理只激活约500M,官方还说普通显卡能跑。我更关心它到底省在哪,能不能真用到日常。
以前做光学字符识别(OCR),常见做法是一页一页认,再把结果拼起来。单页看着没问题,遇到跨页表格、跨页段落就容易断,前后文对不上。页数越多,这种小毛病越明显,人还得回头校。
第一代产品用参考滑动窗口注意力(R-SWA),把范围从单页推到连续几十页。但页数一长,计算量和显存还是往上走,像用放大镜一页页翻。长文档的难点不只是认字准不准,还在注意力该看哪里、显存怎么扛。
这次的新机制叫稀疏参考滑动窗口注意力(SR-SWA)。它先把每个查询要看的视觉范围从整篇文档缩到相关页面,也会管跨页位置关系。然后从信息块里挑出固定数量的高分内容,别让所有页面都挤进计算里。

另一个机制是无限解码机制(Unlimited-Horizon Decoding)。做法是把文档切成可控的页面块,一块一块往下读,相邻块留一页重叠。重叠页的视觉键值缓存(KV cache)能复用,上一段文本缓存也保留,其余缓存及时放掉。
按公开说法,单序列KV显存下降96.2%,峰值从47GB级别降下来。百页场景下单步解码比全注意力快约7倍,比上一代R-SWA快约5.6倍。这些数字如果成立,意义就是普通显卡也有机会跑长文档。
能力上,它还能切标题、段落、表格、公式和图片,跨页文案和跨页表格也尝试合并。这个方向比只看单页准确率更接近真实使用,因为真实文档本来就不按页断开。有媒体实测《哈利·波特》7部共3623页,约1小时30分跑完,平均1.5秒一页。
还有人试了《四大名著》合订5026页,说没卡住、没复读,能读到最后一页。官方和媒体口径要分开看,第三方在奇怪版面上复现才算数。基准方面,官方说MarathonDocBench拿77.06分、MPDocBench拿84.59分,都列第一。

有报道称它在两项基准上领先Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash等,我只把这当报道表述,不当作最终排名。和上一代比,第一代上限约几十页,第二代推到数千页级,显存和延迟都往下压。生态上,HuggingFace累计下载破1000万,GitHub约2.85万Star,关注度不低。
对行业来说,路线是从单页识别到多页拼接,再到整份文档端到端理解。显存门槛降下来,长文档解析就不一定非得放云端重资产,本地部署多了一点可能。法律合同比对、财务审计、文献综述、古籍数字化、标书审查,都是能想到的场景。
但我还是有几件事想等验证。基准分由厂商主导,测试集怎么构成、没见过的文档表现怎样,需要看第三方。几千页跑通不代表极端畸变、低质量扫描、错误累积都没问题,轻量化也可能在复杂公式、手写和稀有语种上付代价。
所以真正的变化不是页数这个数字有多吓人,而是单位算力能处理多少信息。一次读完一整本书如果普通显卡也能做到,OCR的竞争就会从能不能识别,转向能不能理解整份文档的结构和逻辑。Unlimited OCR 2值不值得跟,最后还得看长期维护、社区微调和商用条款。