OCR 3.0 时代来了！文心 Unlimited OCR 2 开源发布，超长文档解析迎来“页数自由

引言

超长文档正成为AI应用的新常态：成套研报、审计底稿、长篇法规与整本书籍的机器可读化需求不断攀升。传统OCR在多页拼接与跨页语义保持上捉襟见肘，模型在长度上的“天花板”也长期存在。文心 Unlimited OCR 2 的开源发布，把这一上限从“数十页”推向“任意页数”，在精度与效率上同时达成最先进水平，为文档解析迈入“OCR 3.0时代”给出了一份具有里程碑意义的答案。

核心内容

1) “页数自由”的技术支点：SR-SWA 与无限解码

文心 Unlimited OCR 2 的关键在于稀疏参考滑动窗口注意力（SR-SWA）。它借鉴人类抄录书籍的策略：专注当前页，必要时参考前后页，而非全书反复通读。具体设计体现为：
- 页面门控（Page Gate）：把每个查询的视觉参考范围从整本文档收缩到相关页，同时显式建模跨页位置关系，减少无关计算。
- Token Buckets：从全局筛选得分最高的视觉Token桶，捕捉少量但重要的长距离依赖，使“跨页引用”成为可控且高效的稀疏操作。
- Unlimited-Horizon Decoding：在解码层面做“无限”流式展开，进一步降低超长文档下的计算与显存压力，避免传统全注意力的平方级爆炸。

在百页场景中，SR-SWA单步解码速度相比 Full Attention 提升约7倍，相比上一代 R-SWA 提升约5.6倍。这意味着，长度不再以线性乃至二次方的惩罚吞噬性能，工程上的可用性显著提高。

2) 实证与基准：从“能解长文”到“解得更准”

据公开评测，Unlimited OCR 2 在面向多页文档解析的 MPDocBench 上取得84.6分，在百页级超长文档的 MarathonDocBench 上取得77.1分，端到端性能达到SOTA，显著领先多款主流模型。更具说服力的是长文极限实验：一次性解析《哈利·波特》全系列7部、合计3600余页，仍保持较高精度与实用效率。

应当看到，这类基准不仅考察字符识别，还评估版面、段落、表格与跨页关系的整体还原能力，属于“结构化理解”的系统考题。Unlimited OCR 2 的领先，反映的是在跨页语义一致性、长距离依赖与整体恢复质量上的综合优势。

3) 从1.0到3.0：范式演进与新工作流

OCR 1.0时代强调单页识别与拼接，跨页一致性更多依赖后处理；Unlimited OCR 第一代以参考滑动窗口将范围拉至数十页；如今的第二代，通过SR-SWA与无限解码机制，把“连续长文”的处理从工程权衡变为默认能力。由此催生新的工作流：
- 跨页实体与表格追踪：如财报中跨页表格、附注与索引的自动联动。
- 长篇法规与合同核对：条款引用、跨页编号、版本差异的结构化比对。
- 学术与出版数字化：章节级引用、目录—正文—附录的语义连贯重建。

更重要的是，这套能力与多模态大模型、检索增强（RAG）等技术叠加，可形成端到端的“文档智能体”：先以OCR 3.0获得高保真结构化输入，再进行问答、摘要、对齐与审阅，减少“垃圾进垃圾出”的链路风险。

影响与展望

Unlimited OCR 2 的开放，给企业与开发者带来三方面直接影响。其一，成本结构改善：在同等硬件下处理更长的文档集合，单位页成本与延迟下降。其二，产品形态升级：从“单页识别器”走向“长文理解器”，复杂场景（多附件、跨页表格、长段落引用）成为可设计的默认用例。其三，生态扩展：开源模型与权重释放，降低二次开发门槛，加速行业形成共识接口与数据格式。

仍需理性认识“无限”的边界。任意页数不等于不受资源约束，极端场景下仍要通过策略控制，如：
- 动态稀疏与优先级调度：让关键页与关键块获得更高注意力预算。
- 错误传播与回溯：长链路中早期误识的纠偏机制需与解码器协同设计。
- 版式与脚本多样性：手写、竖排、低清扫描、公式与表格混排仍是挑战，需要更强的多域适配与数据增强。
- 隐私与合规：长文多含敏感信息，端侧或私有化部署、可控追踪与水印防护不可或缺。

展望未来，SR-SWA 这类“人类抄录启发”的稀疏注意力仍有提升空间：更细粒度的跨页位置编码、更智能的Token选择器、与检索索引的联合优化、以及页级/段级缓存复用，都可能进一步压缩长文成本。随着OCR与大模型的深度耦合，文档解析将从“识别文本”升级为“理解文档”，OCR 3.0 的真正价值，也将在真实业务的自动化与智能化中加速释放。

标签： OCR 文档解析 大模型 开源 SR-SWA