企业官网建设流程全解析

百度近日开源了 Unlimited OCR 2，一个专门面向超长文档的 OCR 模型。它最引人注目的一点不是参数规模，而是百页级文档的横向差距：在百度自测的 MarathonDocBench 上，Unlimited OCR 2 综合得分 77.1，排名第二的 Kimi-K3 只有 33.7，Gemini-3.8-Flash 为 28.6。其前代 Unlimited-OCR 在该基准上得分为 0.0。

Unlimited OCR 2 是一个 3.34B 参数的视觉语言模型，权重以 MIT 许可证发布，代码托管在 GitHub。模型最大位置长度 131,072 tokens，BF16 权重约 6.7 GB，可在单张 CUDA GPU 上运行——百度在 NVIDIA A800-80GB 上完成测试。

结构上它延续了 DeepSeek-OCR 的布局：SAM ViT-B 加 CLIP-L 编码器，接入 12 层混合专家解码器，每个 token 路由到 64 个专家中的 6 个，另有 2 个共享专家。多页模式下每页消耗 273 个图像 token，100 页就是 27,300 个输入 token。百度未披露版本 2 的激活参数量。

真正让“百页单请求”成立的是 SR-SWA，即稀疏参考滑动窗口注意力。全注意力成本随序列长度二次增长，解码时每个新 token 都要扫描更长的 KV 缓存。SR-SWA 把文本-视觉注意力压缩到固定参考集，模型卡给出的示例规模是 512 tokens：128 token 的局部窗口，加上对 32 token 块的 top-16 选择，正好 16×32=512。百度称这实现了有限上下文窗口内的“无限视野”解析，但图像编码和总运行时间仍随页数上升。

分项成绩更能说明问题。MPDocBench 与 MarathonDocBench 上，文本为 94.8 / 89.6，公式 89.4 / 87.9，阅读顺序 92.3 / 85.3，表格 87.8 / 74.8，标题层级 60.1 / 48.2。标题层级是明显短板，长文档上仅 48.2。MPDocBench 上的单项领先幅度并不大，Qwen3.8-Max 文本 94.3、公式 89.2，差距在个位数。

对比之下，Qwen3.8-Max 从 MPDocBench 的 78.3 跌到百页文档的 22.9，落差 55.4 分；Unlimited OCR 2 只回落 7.5 分。这种“抗衰减”能力才是该模型的核心卖点。

部署方面，模型卡推荐 Transformers 做快速测试、SGLang 做服务化。Transformers 中 infer 处理单页并启用动态切图（gundam 模式），infer_multi 一次请求解析整篇文档以保留跨页上下文；加载需要 trust_remote_code=True。SGLang 服务使用百度定制的 wheel，而非上游版本，示例按每窗口 10 页调度并复用上一窗口的 KV 尾部。窗口越小峰值内存越低，但跨页合并效果会变差；百度还提醒默认 bias 设置可能触发 462 MiB 分配并导致显存不足。

需要说明的是，上述基准分数均为百度自报，且只出现在一张图表图片中；MarathonDocBench 未找到公开版本。MPDocBench-Parse 则是公开基准，包含 433 篇文档、3,246 页。对于需要处理数百页书籍、申报文件或报告的开发者，Unlimited OCR 2 提供了一个可本地部署的开源选项，但标题层级识别仍是其需要补课的地方。