Unlimited OCR 2 - 百度文心开源的长文档解析模型

Unlimited OCR 2是什么

Unlimited OCR 2 是百度文心开源的端到端文档解析模型，用稀疏参考滑动窗口注意力替代全局全量计算，搭配无限解码机制，让单张普通显卡能一次解析数千页长文档，且随页数增长不显存失控。Unlimited OCR 2 仅3B参数（激活5亿），在MPDocBench、MarathonDocBench等长文档基准上达到领先水平，支持跨页内容回看与关联，适合整本图书、长篇研报、法律卷宗等场景的批量数字化与RAG知识库构建。

Unlimited OCR 2的功能特色

• 真正的"无限"文档长度：一次调用即可吞吐数千页书籍，实测能一口气读完《哈利·波特》全七部（3623 页），全程不断片、不丢上下文。
• 页数越多，优势越明显：Unlimited OCR 2 通过稀疏注意力让计算量不再随页数线性膨胀，"超长文档"成为它的主场。
• 自带"记忆力"的跨页理解：能主动回看前面读过的页面，核对跨页标题、跨页表格、前后呼应的段落与引用，从根本上避免"逐页识别再拼接"造成的上下文断裂。
• 轻量却高效：仅 3B 总参数、5 亿激活参数，KV 显存峰值压降至原来的约 4%；单张普通消费级显卡就能跑，无需堆卡。
• 开源可商用：代码与权重全量开放，GitHub 与 Hugging Face 均可获取，同时提供百度智能云与 AI 开放平台的在线服务入口，本地部署和云端调用都方便。
• 输出灵活、易于集成：可导出纯文本、Markdown 或 JSON 结构化结果，适配 RAG 知识库、批处理管线与业务系统的二次开发。
• 复杂版面也能啃：表格、公式、多栏版面、阅读顺序等复杂场景均有针对性优化，不是只能"认字"。

Unlimited OCR 2的核心优势

• 页数不再是天花板：把文档解析的容量极限从"几十页"直接拉到"数千页"，整本书一次读完。
• 越长的文档，它越划算：传统方案里页数越多，算得越久、越容易出错；Unlimited OCR 2 靠稀疏注意力让成本不随页数线性增长，长文档更凸显它的性价比。
• 上下文不再"断片" ：多页拼接式 OCR 最大的痛点是前后文割裂。模型原生具备跨页回看能力，能对照前文理解当前内容，让长篇文档的解析结果保持整体连贯。
• 硬件门槛低到离谱：KV 显存占用压到原来的 4% 左右，一张普通消费级显卡就能扛住超长文档。中小团队不必为跑长文档专门买昂贵的专业卡。
• 跑得又快又省：百页级场景下单步解码速度比全量注意力快 7 倍，并发吞吐提升至原来的 3.65 倍，同样的机器能服务更多请求，推理成本明显摊薄。

Unlimited OCR 2官网是什么

• GitHub仓库：https://github.com/baidu/Unlimited-OCR
• HuggingFace模型库：https://huggingface.co/spaces/baidu/Unlimited-OCR-2

Unlimited OCR 2的使用步骤

• 选入口：GitHub 或 Hugging Face 拉取开源代码和权重本地部署。
• 备好文档：把要解析的 PDF、扫描件或图片整理成完整清晰、方向正确的版本，页码别缺、别乱。
• 把文档喂给模型：在线入口直接上传文件；本地部署则先配好运行环境、加载模型权重，再通过命令行或脚本调用。
• 告诉它你要什么：按需配置输出格式、解析页数范围，以及是否需要开启表格识别、版面分析等功能。
• 跑起来，等结果：提交任务，模型会自动完成跨页理解、内容抽取和结构化输出。
• 抽查关键内容：重点核对容易出错的跨页标题、长表格、公式、页码、引用和段落衔接处，长文档建议分段抽检。
• 导出或接入业务：结果可导出为文件，也能通过 API 挂进自己的批处理流程、RAG 知识库或业务系统中。

Unlimited OCR 2的适用人群

• 文献/图书数字化从业者：高校图书馆、档案馆、古籍数字化团队需要把整本典籍、教材批量转成可检索文本，它的任意页数能力正是刚需。
• 金融与投研分析师：动辄几百页的招股书、年报、研报，以前要拆成几十次喂给模型；现在一次解析，还能跨页关联财务数据和风险提示。
• 法律与合规人员：处理法规汇编、合同卷宗、案件材料时，跨页条款关联、前后引用核对是高频痛点。
• RAG/知识库开发者：做企业知识库、智能问答的工程师，需要把超长 PDF 干净地解析成结构化文本入库。
• 科研人员与学生：读长篇论文、综述、学位论文，需要快速抽取观点、保留上下文做笔记和引用。

Unlimited OCR 2的常见问题

Q1：它一次到底能处理多少页？

A1：官方实测一次性解析过 3600+ 页（《哈利·波特》全系列）。理论上"任意页数"，但万页级文档按约 1.5 秒/页的吞吐仍需数小时，建议大任务分段提交。

Q2：需要什么显卡才能跑？

A2：模型总参数 3B、激活仅 5 亿，KV 显存峰值约 1.77 GB，单张普通消费级显卡即可；批量并发任务建议显存更充裕的卡。

Q3：支持哪些输入和输出格式？

A3：输入以 PDF、扫描图片类文档为主；输出支持纯文本、Markdown、JSON 等，可直接对接 RAG 和批处理流程。

Q4：和 MinerU 有什么区别，选哪个？

A4：要"长"选它——任意页数、跨页理解是原生能力；要"广"选 MinerU——格式支持更全面、部署档位更灵活、RAG 生态更成熟。二者也可组合使用。