百度开源文心无限OCR 2，文档解析实现“页数自由

一、引言：从“翻页”到“读整本”的范式跨越

10月27日，百度发布并开源文心无限OCR 2（Unlimited OCR 2），把OCR的处理上限从“连续数十页”直接推到了“任意页数”。官方演示中，模型一口气完整解析了一套七册、累计超过3600页的长篇小说全集——整本读入，而非逐页拼接。

读小说当然只是趣味演示，真正的分量在于：当一份任意长度的文档能够被“整体理解”，文档智能这条流水线的最上游就被重新定义了。本文从四个层面展开：它解决了什么老毛病、核心机制凭什么可行、工程上换来了什么收益、以及开源这一步背后的生态考量。

二、传统OCR的两块天花板

传统OCR技术路线可概括为两种模式，且各有硬伤：

1. 单页识别，事后拼接
一次推理只看一页，多页文档靠“识别完再拼”。这种模式在单页版面分析上已经成熟，但一旦信息天然跨越页面边界——跨页表格、跨页脚注、跨页引用——拼接逻辑就会崩坏。表格被拦腰截断、上下文语义丢失，是这类方案最典型的失败样例。

2. 多页建模，算力受限
第一代Unlimited OCR将可处理范围扩展到“连续数十页”，但继续增加页数，注意力计算的算力与显存开销会急剧膨胀。数十页之后，模型就“读不动”了。

换句话说，行业长期停留在“OCR 2.0”阶段：要么单页精确但丢失全局，要么多页连续但长度受限。

三、真实世界的文档，从来不是一页纸

看一看真实的知识工作场景：

• 券商研报：动辄两三百页；
• 上市公司年报：四五百页起步；
• 医学文献与专利文书：动辄上千页；
• 整本书籍：几千页是常态。

这些文档的共同点是：关键信息高度依赖全局结构——目录、交叉引用、跨章结论。逐页识别再拼接的方案，注定无法回答“这份文件整体在讲什么”这类问题。因此，“能读多少页”本质上决定了AI能否真正接管“读文档”这项工作。文心无限OCR 2把这条上限从“几十页”推到“任意页数”，并在页数增长时保持精度与效率，官方将其定义为从OCR 2.0（单页/拼接）迈向OCR 3.0（整本理解）的分水岭。

四、核心机制SR-SWA：把“人抄书”的直觉写进注意力

文心无限OCR 2提出的核心机制叫SR-SWA（Sparse Reference Sliding Window Attention，稀疏参考滑动窗口注意力）。名字复杂，直觉却极朴素：

想象一个人抄一本书。他绝大部分时间只盯着当前这一页；只有需要核对前文、查找跨页信息时，才翻回去看几眼——没有人会把整本书反复通读一遍再落笔。

SR-SWA把这个直觉翻译成注意力计算的稀疏化策略，关键组件有三个：

1. 页面门控（Page Gate）
先为每个查询计算“视觉参考范围”，把候选参考从“整本文档”收缩到“相关页面”，同时建模跨页位置关系。通俗地说：不该看的页，直接不看。

2. 视觉Token桶（Token Buckets）
在参考页面内，只挑出得分最高的视觉Token参与注意力计算，用于捕捉长距离视觉依赖。该回看时精准回看，而不是把整页、更不是整本塞进显存。

3. 无限视野解码（Unlimited-Horizon Decoding）
在稀疏注意力之上，通过无限解码机制持续压低超长文档的计算与显存开销，让“任意页数”成为可持续的工程状态，而非一次性冲刺。

用一段示意伪代码表达这套流程（仅描述机制思路，非真实接口）：

# SR-SWA 单步解码的机制示意（伪代码）
for page in streaming_pages(document):
    # 1) 页面门控：从历史页面中筛出与当前页相关的子集
    ref_pages = page_gate(current=page, history=doc_page_embeds)
    # 2) Token桶：在参考页面内仅保留高分视觉Token
    ref_tokens = top_k(ref_pages.visual_tokens, k=token_budget)
    # 3) 稀疏注意力：局部滑动窗口 + 稀疏参考，替代全文档Full Attention
    out = sparse_attention(
        q  = page.tokens,
        kv = local_window(page) + ref_tokens
    )

五、工程收益：速度与显存的双重质变

稀疏化不是“省一点”的问题，而是量级差异。注意力计算的朴素复杂度随序列长度呈平方增长，全文档Full Attention在数百页规模下既慢又贵。SR-SWA把注意力范围压缩为“局部窗口+稀疏参考”后，收益直接体现在官方报告数据上：

• 百页文档场景下，单步解码速度较Full Attention提升7倍；
• 较上一代R-SWA机制提升5.6倍；
• 叠加无限解码机制，超长文档的显存与计算开销被持续摊薄。

对部署侧而言，这意味着同样的算力预算可以吞吐更长的文档、更高的并发；对业务侧而言，“解析一本500页年报”从批处理任务变成近实时任务。

rag-">六、谁最先受益：从RAG到垂直行业

整本理解能力一旦成立，最先受益的是最“吃文档”的场景：

1. RAG（检索增强生成）：文档解析是RAG的第一公里，解析质量决定切分质量，切分质量决定检索质量。整本解析能更好保留阅读顺序、跨页表格与全局结构，直接提升下游问答准确率。

2. 企业知识库：制度文件、合同档案、技术规范常以“百页级”存在，整本入库后可支持全局性问答，而非碎片化命中。

3. 法务/医疗/出版：病历、卷宗、书稿都是天然的超级长文档，跨页引用与结构还原是刚需。

一句话总结变化：用户不再需要告诉AI“翻到第几页”，而是把整本合同、整套财报、一柜子病历整体交给AI，让它“整本吃进去再回答”。

七、开源这一步：以入口换生态

最后聊聊开源的算盘。OCR是文档智能的最上游入口，谁定义了“文档被解析成什么结构”，谁就掌握了下游应用的主动权。开源文心无限OCR 2，本质上是以开放换取生态位：开发者可以自由部署、微调与集成；当更多业务把这套解析标准接入自身流水线，围绕它生长的工具链、评测集与行业方案，会反过来巩固其入口地位。对行业而言，这也抬高了整条赛道的基准线——“无限页”从卖点变成标配，只是时间问题。

八、结语

从单页识别到多页拼接，再到今天的整本理解，OCR的演进史就是一部“上下文边界不断外扩”的历史。SR-SWA证明了：让模型像人一样“只看该看的页”，就能在任意长度的文档上同时保住精度、速度与显存。对知识工作者而言，地基又被垫高了一层；对开发者而言，现在正是把“整本文档理解”纳入技术选型视野的好时机。