百度開源 Unlimited OCR 2：超長文件一次解析

2026 年 10 月 27 日，百度公司帳號 @Baidu_Inc 宣布開源 Unlimited OCR 2，面向多頁、超長圖文文件解析。權重在 Hugging Face 的 baidu/Unlimited-OCR-2（MIT；safetensors 合計約 3.34B，常寫作約 3.3B），模型卡 Release 標 2026/10/27；程式碼與說明在 GitHub 倉庫 baidu/Unlimited-OCR，同樣是 MIT。站內近期其他開源多模態動態，可對照：MiniCPM-V 4.7：能在手機上跑的 35B 開源多模態模型。

SR-SWA 改了什麼

核心技術叫 Sparse Reference Sliding Window Attention（SR-SWA）。依模型卡與倉庫說明，它把超長序列裡的 text-visual attention 交互，壓成固定大小的工作引用集（文件舉例 512 tokens），從而限制計算複雜度，讓逐步解碼延遲和記憶體占用在文件變長時仍接近恆定，而不是跟著全文長度一起漲。百度把這套能力說成在有限上下文視窗裡做 unlimited-horizon 解析——這是產品定位表述，不等於任意 PDF、任意顯存都能無壓力跑完。

榜分：廠商自報

百度稱在 MPDocBench（數十頁量級）和 MarathonDocBench（極端百頁量級）上達到 SOTA。這些數字來自百度公告與 README，屬於廠商自報，不是第三方複跑結果。

怎麼跑：Transformers 與 SGLang

模型卡寫明支援 Transformers（原生，適合快速試跑）和 SGLang（更適合對外服務）。多頁路徑用 infer_multi：按頁序傳入圖片，整份文件可一次請求解析，並利用跨頁上下文；單頁則用 infer。SGLang 側還有面向超長文件的 page-window 設定，以及相容 OpenAI 風格的對話介面。站內另有開源視覺／語言權重規格對照：Nemotron 3.5 Super VL 和 Bolt：規格、授權、24GB 就能跑。

為什麼值得盯

開源、MIT 的長文件 OCR 仍是財報、合約、多頁報告這類剛需賽道。Unlimited OCR 2 更突出的是頁數上去後注意力開銷盡量攤平，再加上說明齊全的多頁一次解析路徑。截至 2026 年 10 月 27 日的 Release，能拿到的是權重與推理程式碼——並不是說現有 OCR 管線明天就該全換。近期另一條開源視覺／幾何相關報導：Hi3D 1.0 開源：圖像轉 3D（原 Sparc3D）。