文心无限OCR 2开源：3600页《哈利·波特》整本读完，页数上限被打破

7本书、合计3600页，一口气全部读完，是什么体验？

10月27日，百度对外发布并开源文心无限OCR 2（Unlimited OCR 2），号称是全球首次做到这一步：OCR的处理上限从数十页被拉到无限页；《哈利·波特》全系列7部、累计超3600页，也被它一次读完。

读小说并非重点。真正的看点是：一份文档可以被整本读懂，不必再一页页拼接，AI改造知识工作的地基因此又垫高了一层。

下面不吹不黑，说三件事：它治好了哪些老毛病、靠什么做到、百度选择开源究竟在盘算什么。

一、页数自由，解决的是知识工作者的真痛点

传统OCR主要做两件事，可这两件事都带着硬伤：

• 单页识别：一回只盯一页，多页文档只能识别完再拼起来，一碰上跨页表格、跨页引用就直接崩。
• 多页拼接：第一代Unlimited OCR把范围扩到了连续数十页，可再往上走，算力和显存就顶不住了。

现实里要处理的文档，很少只有一页：券商研报动辄两三百页，上市公司年报四五百页，医学文献和专利动辄上千页，整本书更是几千页起步。AI能不能真正接手读文档这件事，说到底取决于它能读多少页。

文心无限OCR 2的卖点，正是把这条上限从几十页推到任意页数，而且页数暴涨时精度与效率都还稳得住。按官方说法，这是从OCR 2.0（单页/拼接）迈入OCR 3.0（整本理解）。

对普通人来说意味着什么？以后一整本合同、一整套财报、一柜子病历交给AI，它不用再翻到第几页去找，而是整本吃进去再回答。RAG（检索增强生成）、企业知识库，以及法务、医疗、出版这些最依赖文档的行业，会直接受益。

二、技术内核：它凭什么做到？一句话，像人抄书

模型采用的机制叫SR-SWA（稀疏参考滑动窗口注意力，Sparse Reference Sliding Window Attention）。名字听着唬人，思路却很朴素：

人抄一本书时，多数时间只盯着当前这页；要核对前文或者找跨页信息，才翻回去看几眼，不会把整本书反复通读。

SR-SWA把这个直觉搬进了注意力计算：

1. 页面门控（Page Gate）：先收缩每个查询的视觉参考范围，从整本文档缩到相关页面，并建模跨页位置关系，无关页面直接跳过。
2. Token Buckets（视觉Token桶）：挑出得分最高的视觉Token，捕捉长距离的视觉依赖，该回看时精准回看。

落到工程上就是质变。官方报告称，百页文档场景下，单步解码速度比Full Attention提升7倍，比上一代R-SWA提升5.6倍；再叠加无限解码机制（Unlimited-Horizon Decoding），超长文档的计算与显存开销被进一步压低。

说白了，快不是靠堆参数堆出来的，而是把冗余计算砍掉了。能真正商用，关键就在这里。

三、开源这一步，百度打的什么算盘？

看看一代的战绩就明白了：6月22日发布，次日拿下GitHub Daily Trending总榜和Python榜、HuggingFace全球模型总趋势榜和多模态榜，四榜第一；5天GitHub Star破1万。截至目前，HuggingFace累计下载破1000万次，GitHub 2.85万Star，图灵奖得主杨立昆（Yann LeCun）也转发推荐过。

OCR 2沿着同一条路走：代码和权重同步开源到GitHub、HuggingFace，同时上线百度智能云与百度AI开放平台。

开源不等于做慈善。在文档解析这条垂直赛道上，百度想要的是两样东西：

• 标准话语权：谁的开源生态先长起来，谁的接口和范式就会成为事实标准。
• 开发者心智这块，一个能冲到榜首、还能被LeCun转发的开源项目，本身就是最划算的技术品牌广告。投流没它便宜，通稿也没它可信。

跟闭源API那条路比，开源等于拿"能力"去换"生态入口"。中小企业跟开发者呢，原本得花大价钱买的底层能力，现在免费就到手了。

四、竞技场：和Qwen、Gemini、GLM、DeepSeek比，怎么看？据百度公布的公开基准，面向多页文档的MPDocBench上，文心无限OCR 2综合得分84.6；专测百页级超长文档的MarathonDocBench上，得分77.1。端到端达到SOTA，压过Qwen 3.8-Max、Gemini-3.8-Flash、GLM-5.3-Flash、DeepSeek-4.1-Flash等模型。

一句提醒：benchmark是厂商自己跑、自己发的，名次看看就好。真正分高下，还得看开源之后社区复现和落地案例。文档解析的护城河最终不在榜单，而在"谁被用得最多"。

五、冷静一下：别神话，也别小看。几点实在话：

1. 开源≠零成本。模型能下，但跑起来要算力、要显存，"页数无限"背后是实打实的硬件账单。
2. 极端长文档的精度衰减，得等社区大量实测。发布当天的数据再漂亮，也只是"官方样本"。
3. 它解决的是"读得下"，不是"读得懂"。解析准确只是第一步，真正理解、推理、生成，还得看上层大模型。OCR 3.0是地基，不是楼。

反过来讲，地基这块也不能轻视。只要出现一次“原先干不成的事如今干成了”，就会带出一批新应用。文档解析这回放开限制，很可能会催生一波新花样，比如“整本知识库”“一键读财报”“古籍数字化”。

结语：下一幕落在“智能组织”上。百度世界2026大会定在11月12日，主题正是“下一幕，智能组织”。文档解析表面看只是个小技术，实际却是“组织把知识喂给AI”的头一道闸门。百度选择开源、把它推到SOTA，押的就是这么一件事：等千千万万开发者都用上“页数自由”，智能组织的地基里能留下自己的一块砖。

对咱们普通人来说，记住一句话就够了——以后别再一页页给AI喂文档了，整本丢进去的时代，开始了。