百度开源 Unlimited OCR 2：超长文档一次解析

2026 年 10 月 27 日，百度公司账号 @Baidu_Inc 宣布开源 Unlimited OCR 2，面向多页、超长图文文档解析。权重在 Hugging Face 的 baidu/Unlimited-OCR-2（MIT；safetensors 合计约 3.34B，常写作约 3.3B），模型卡 Release 标 2026/10/27；代码与说明在 GitHub 仓库 baidu/Unlimited-OCR，同样是 MIT。站内近期其他开源多模态动态，可对照：MiniCPM-V 4.7：能在手机上跑的 35B 开源多模态模型。

SR-SWA 改了什么

核心技术叫 Sparse Reference Sliding Window Attention（SR-SWA）。按模型卡与仓库说明，它把超长序列里的 text-visual attention 交互，压成固定大小的工作引用集（文档举例 512 tokens），从而限制计算复杂度，让逐步解码延迟和内存占用在文档变长时仍接近恒定，而不是跟着全文长度一起涨。百度把这套能力说成在有限上下文窗口里做 unlimited-horizon 解析——这是产品定位表述，不等于任意 PDF、任意显存都能无压力跑完。

榜分：厂商自报

百度称在 MPDocBench（数十页量级）和 MarathonDocBench（极端百页量级）上达到 SOTA。这些数字来自百度公告与 README，属于厂商自报，不是第三方复跑结果。

怎么跑：Transformers 与 SGLang

模型卡写明支持 Transformers（原生，适合快速试跑）和 SGLang（更适合对外服务）。多页路径用 infer_multi：按页序传入图片，整份文档可一次请求解析，并利用跨页上下文；单页则用 infer。SGLang 侧还有面向超长文档的 page-window 配置，以及兼容 OpenAI 风格的对话接口。站内另有开源视觉／语言权重规格对照：Nemotron 3.5 Super VL 和 Bolt：参数、许可、24GB 就能跑。

为什么值得盯

开源、MIT 的长文档 OCR 仍是财报、合同、多页报告这类刚需赛道。Unlimited OCR 2 更突出的是页数上去后注意力开销尽量摊平，再加文档化的多页一次解析路径。截至 2026 年 10 月 27 日的 Release，能拿到的是权重与推理代码——并不是说现有 OCR 管线明天就该全换。近期另一条开源视觉／几何相关报道：Hi3D 1.0 开源：图像转 3D（原 Sparc3D）。