百度开源 Unlimited OCR 2：3B 模型单次解析百页文档

百度开源 Unlimited OCR 2，一个采用 MIT 许可证的 3B 参数 OCR 模型，核心卖点是能在一次请求中解析上百页文档。据 MarkTechPost 报道，该模型通过 SR-SWA 注意力机制让每步解码开销几乎保持恒定，并在 MarathonDocBench 上取得 77.1 分。

长文档 OCR 的瓶颈在哪里

传统 OCR 模型处理长文档时，通常面临两个层面的问题。一是内存与显存占用随页数线性增长，几十页之后往往需要切分输入、分批推理；二是解码阶段的计算开销随上下文长度膨胀，页数越多，单步生成越慢。

这些限制意味着，所谓“长文档支持”在工程落地时常常退化为“分页处理 + 结果拼接”，既增加系统复杂度，也容易在页间衔接处引入错误。Unlimited OCR 2 试图解决的正是这个结构性瓶颈，而不是简单扩大上下文窗口。

KV Cache（键值缓存） 是大模型自回归解码中的核心机制：为避免每生成一个新 token 都重新计算全部历史 token 的键和值，推理系统会把这些中间结果缓存下来，后续步骤直接复用。其显存占用与已处理的上下文长度成正比，因此处理长文档时显存会随页数持续膨胀，构成传统长文档 OCR 的主要瓶颈之一。要打破这一限制，需要让缓存规模不随输入长度无限增长，例如采用滑动窗口丢弃过期缓存、或用固定大小的压缩状态替代完整缓存——这正是 Unlimited OCR 2 声称“每步解码开销几乎恒定”所要解决的核心问题。

SR-SWA：让解码开销保持平稳

该模型的关键设计是 SR-SWA 注意力机制。报道指出，它使每步解码成本几乎保持平坦——换句话说，处理第一百页时的单步开销与处理第一页时接近，而不是随页数累积上升。

这一点对实际部署的意义在于：长文档的一次性解析从“理论上可行”变为“工程上可用”。对于需要处理合同、财报、档案、扫描书籍等场景的团队，单次请求完成整本文档解析，可以显著简化流水线设计。

需要说明的是，原始素材只给出了定性描述和基准分数，并未披露 SR-SWA 的具体实现细节、显存占用曲线或不同页数下的延迟数据，实际表现仍需以官方代码和独立复现为准。

滑动窗口注意力（Sliding Window Attention, SWA） 是一类稀疏注意力机制：序列中每个位置只关注其邻近固定窗口内的若干 token，而非全部历史 token，从而把注意力计算复杂度从随序列长度平方增长降为随长度线性增长。SR-SWA 中的“SR”可能指“State/Recurrent”或“Selective Routing”等变体，用以在滑动窗口基础上保留跨窗口的全局信息。其工程意义在于：解码时无需对全部已生成上下文重新计算注意力，每步开销只与固定窗口大小相关，因而处理第一百页与第一页的计算成本接近。代价是远距离依赖需要依靠窗口外的状态传递机制来维持，若实现不当可能影响跨页文字关联的准确性。

3B 参数与 MIT 许可证的组合

Unlimited OCR 2 的规模为 3B 参数，许可证为 MIT。这两个选择的组合值得关注：3B 处于“单卡可部署”的常见区间，而 MIT 许可证允许商业使用、修改与再分发，限制较少。

对开发者而言，这意味着它可以直接嵌入企业内部文档处理系统，而不必担心许可证传染或商用授权问题。相比部分采用自定义或限制性许可证的开源 OCR 项目，MIT 是一个更明确的信号。

MIT 许可证 是最宽松的开源许可证之一，仅要求保留版权声明和许可声明，允许使用者自由使用、复制、修改、合并、发布、分发、再授权乃至商业销售，且不要求衍生作品采用相同许可证（即无 copyleft 传染性）。相比之下，GPL 系列要求衍生作品同样开源，而部分自定义许可证则可能限制商用、要求申请授权或设置用户规模门槛。对文档 OCR 这类需要嵌入企业内网系统的组件而言，MIT 意味着企业可以修改模型代码而不必公开自己的业务逻辑，法律风险显著降低。但需注意，许可证只覆盖代码与权重，训练数据来源的合规性仍需单独评估。

MarathonDocBench 上的 77.1 分

报道提到该模型在 MarathonDocBench 上得分 77.1。MarathonDocBench 从名称看是面向长文档的评测基准，这个分数是素材中唯一的具体性能指标。

单一基准分数不足以说明全部问题。长文档 OCR 的真实质量还取决于版面复杂度、表格与公式比例、扫描质量、多语言混排等因素。77.1 分可以作为横向比较的起点，但选型时仍应结合自身文档类型做小规模验证。

OCR 评测基准 通常以编辑距离或字符/词级准确率（如 CER、WER）衡量识别结果与标注文本的接近程度，部分基准还会纳入版面还原、阅读顺序正确性等维度。长文档基准的难点在于标注成本高、跨页关联（页眉页脚、跨页表格、续行段落）难以自动评分，因此分数高低对测试集的分布高度敏感。仅凭单一基准的 77.1 分，无法判断模型在票据、手写体、竖排古籍或低质量扫描件上的表现；横向比较时还应确认对比模型是否使用相同输入分辨率、是否允许分页、评测集是否公开可复现。

对文档智能工作流的影响

如果“单次请求解析百页”在真实场景中稳定成立，受影响的不仅是 OCR 环节本身。当前很多文档智能流水线采用“OCR → 分块 → 检索/抽取”的串联结构，分块策略往往受限于 OCR 的页数上限。当 OCR 不再需要分页，后续的版面理解和结构化抽取可以在更完整的文档上下文中进行，跨页表格、跨页条款、页眉页脚关联等问题的处理方式也会随之改变。

从开源生态角度看，一个 MIT 许可、参数规模适中的长文档 OCR 模型，有望成为文档处理工具链中的基础组件。Baidu 此次开源能否形成社区生态，取决于代码质量、推理效率优化和后续维护节奏，这些在素材中尚无信息。

小结

Unlimited OCR 2 的定位清晰：用 SR-SWA 解决长文档解码开销随页数增长的问题，以 3B 参数和 MIT 许可证降低部署与商用门槛。MarathonDocBench 77.1 分提供了一个可比较的基准。对于正在构建文档智能系统的团队，这是一个值得纳入评估范围的新选项，但落地前仍需针对自身文档分布做实测。