百度近日开源了 Unlimited OCR 2一个专门面向超长文档的 OCR 模型。它最引人注目的一点不是参数规模而是百页级文档的横向差距在百度自测的 MarathonDocBench 上Unlimited OCR 2 综合得分 77.1排名第二的 Kimi-K3 只有 33.7Gemini-3.8-Flash 为 28.6。其前代 Unlimited-OCR 在该基准上得分为 0.0。Unlimited OCR 2 是一个 3.34B 参数的视觉语言模型权重以 MIT 许可证发布代码托管在 GitHub。模型最大位置长度 131,072 tokensBF16 权重约 6.7 GB可在单张 CUDA GPU 上运行——百度在 NVIDIA A800-80GB 上完成测试。结构上它延续了 DeepSeek-OCR 的布局SAM ViT-B 加 CLIP-L 编码器接入 12 层混合专家解码器每个 token 路由到 64 个专家中的 6 个另有 2 个共享专家。多页模式下每页消耗 273 个图像 token100 页就是 27,300 个输入 token。百度未披露版本 2 的激活参数量。真正让“百页单请求”成立的是 SR-SWA即稀疏参考滑动窗口注意力。全注意力成本随序列长度二次增长解码时每个新 token 都要扫描更长的 KV 缓存。SR-SWA 把文本-视觉注意力压缩到固定参考集模型卡给出的示例规模是 512 tokens128 token 的局部窗口加上对 32 token 块的 top-16 选择正好 16×32512。百度称这实现了有限上下文窗口内的“无限视野”解析但图像编码和总运行时间仍随页数上升。分项成绩更能说明问题。MPDocBench 与 MarathonDocBench 上文本为 94.8 / 89.6公式 89.4 / 87.9阅读顺序 92.3 / 85.3表格 87.8 / 74.8标题层级 60.1 / 48.2。标题层级是明显短板长文档上仅 48.2。MPDocBench 上的单项领先幅度并不大Qwen3.8-Max 文本 94.3、公式 89.2差距在个位数。对比之下Qwen3.8-Max 从 MPDocBench 的 78.3 跌到百页文档的 22.9落差 55.4 分Unlimited OCR 2 只回落 7.5 分。这种“抗衰减”能力才是该模型的核心卖点。部署方面模型卡推荐 Transformers 做快速测试、SGLang 做服务化。Transformers 中 infer 处理单页并启用动态切图gundam 模式infer_multi 一次请求解析整篇文档以保留跨页上下文加载需要 trust_remote_codeTrue。SGLang 服务使用百度定制的 wheel而非上游版本示例按每窗口 10 页调度并复用上一窗口的 KV 尾部。窗口越小峰值内存越低但跨页合并效果会变差百度还提醒默认 bias 设置可能触发 462 MiB 分配并导致显存不足。需要说明的是上述基准分数均为百度自报且只出现在一张图表图片中MarathonDocBench 未找到公开版本。MPDocBench-Parse 则是公开基准包含 433 篇文档、3,246 页。对于需要处理数百页书籍、申报文件或报告的开发者Unlimited OCR 2 提供了一个可本地部署的开源选项但标题层级识别仍是其需要补课的地方。