# 彻底终结千页断层与显存爆炸！百度文心重磅开源 Unlimited OCR 2：SR-SWA 稀疏机制、无限解码与多模态文档解析 3.0 工业化全景评测

- Link: https://paooo.com/ai-tool/40473/
- Published: 2026-10-28T18:07:05+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * SR-SWA 稀疏参考滑动窗口注意力，让模型只聚焦相关页，显著降低长文档解析的无效计算。
 * Unlimited-Horizon Decoding 通过动态缓存与跨步淘汰，缓解长序列生成的显存线性膨胀
   问题。
 * 相较 MinerU，Unlimited OCR 2 更适合超长 PDF 与跨页结构复杂文档，实测长文档吞吐
   与连贯性更强。

> **💡 站外导读：**在 RAG 知识库与企业级 Agent 落地中，海量超长文档（如数百页招股
> 书、数千页技术白皮书、复杂跨页表格）的解析精度始终是决定问答质量的最底层瓶颈。
> 传统 OCR 的单页切片与生硬拼接常常导致语义断裂、跨页公式错乱和图表上下文遗失。百度
> 文心团队最新开源的端到端文档解析模型 Unlimited OCR 2，凭借首创的‘SR-SWA 稀疏参考
> 滑动窗口注意力’与‘无限解码机制’（Unlimited-Horizon Decoding），彻底打破了文档页
> 数硬性限制，在 MPDocBench 和 MarathonDocBench 上刷新 SOTA 纪录，单步解码提速高达
> 7 倍。本文为您带来全方位的架构拆解与工业级选型实测。

## 1. 从 OCR 1.0 单页识别到 3.0 端到端统一建模的进化史

在企业级生成式 AI 与[大模型](https://paooo.com/ai-study/)知识库（RAG）系统中，数据
准备流水线一直是决定最终产出质量的核心基石。然而，面对长达数千页的学术专著、复杂
格式的证券财报以及混合跨页表格的法律合同，传统文档数字化方案正陷入难以逾越的工程
瓶颈：

阅读目录

 * [1. 从 OCR 1.0 单页识别到 3.0 端到端统一建模的进化史](https://paooo.com/ai-tool/40473/#1-%e4%bb%8e-ocr-10-%e5%8d%95%e9%a1%b5%e8%af%86%e5%88%ab%e5%88%b0-30-%e7%ab%af%e5%88%b0%e7%ab%af%e7%bb%9f%e4%b8%80%e5%bb%ba%e6%a8%a1%e7%9a%84%e8%bf%9b%e5%8c%96%e5%8f%b2)
 * [2. 核心技术原理拆解：人类抄书视角的算法映射](https://paooo.com/ai-tool/40473/#2-%e6%a0%b8%e5%bf%83%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86%e6%8b%86%e8%a7%a3%e4%ba%ba%e7%b1%bb%e6%8a%84%e4%b9%a6%e8%a7%86%e8%a7%92%e7%9a%84%e7%ae%97%e6%b3%95%e6%98%a0%e5%b0%84)
    - [2.1 SR-SWA 稀疏参考滑动窗口注意力](https://paooo.com/ai-tool/40473/#21-srswa-%e7%a8%80%e7%96%8f%e5%8f%82%e8%80%83%e6%bb%91%e5%8a%a8%e7%aa%97%e5%8f%a3%e6%b3%a8%e6%84%8f%e5%8a%9b)
    - [2.2 Unlimited-Horizon Decoding 无限解码引擎](https://paooo.com/ai-tool/40473/#22-unlimitedhorizon-decoding-%e6%97%a0%e9%99%90%e8%a7%a3%e7%a0%81%e5%bc%95%e6%93%8e)
 * [3. 工业级横向选型对比：Unlimited OCR 2 vs MinerU 深度博弈](https://paooo.com/ai-tool/40473/#3-%e5%b7%a5%e4%b8%9a%e7%ba%a7%e6%a8%aa%e5%90%91%e9%80%89%e5%9e%8b%e5%af%b9%e6%af%94unlimited-ocr-2-vs-mineru-%e6%b7%b1%e5%ba%a6%e5%8d%9a%e5%bc%88)
 * [4. RAG 与企业级智能体的工作流落地指南](https://paooo.com/ai-tool/40473/#4-rag-%e4%b8%8e%e4%bc%81%e4%b8%9a%e7%ba%a7%e6%99%ba%e8%83%bd%e4%bd%93%e7%9a%84%e5%b7%a5%e4%bd%9c%e6%b5%81%e8%90%bd%e5%9c%b0%e6%8c%87%e5%8d%97)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/ai-tool/40473/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

 * **OCR 1.0 时代（单页切片识别）**：将 PDF 或扫描图像拆分成独立单页分别调用文字
   识别，再由规则代码生硬拼接，极易引发跨页段落撕裂、表格表头丢失与公式乱序；
 * **OCR 2.0 时代（有限窗口扩展）**：引入多模态视觉语言模型（VLM），但受到 Transformer
   上下文长度硬限制，往往仅能稳定解析数十页，一旦页数堆叠至上百页，计算资源与显存
   立即暴跌至 OOM（Out of Memory）；
 * **OCR 3.0 时代（全量端到端统一建模）**：将跨页选择、回看验证与即时理解融入统一
   大模型端到端推理管线中，实现“任意页数无损解析”。

近日，**百度文心（Baidu Wenxin）**技术团队正式开源了其划时代力作 —— **Unlimited 
OCR 2**。该模型官方宣称突破了传统长文档处理的页数天花板，能够一次性吞吐并解析超过
3600 页的长篇书籍与档案，在多项权威基准测试（MPDocBench、MarathonDocBench）中均斩获
SOTA（State-of-the-Art）卓越评级。

⌊百度文心开源 Unlimited OCR 2 端到端长文档解析官方架构实测图⌉⌊百度文心开源 Unlimited
OCR 2 端到端长文档解析官方架构实测图⌉
_图 1：百度文心开源 Unlimited OCR 2 端到端
长文档解析官方工作流与评测看板（来源：Baidu Open Source）_

## 2. 核心技术原理拆解：人类抄书视角的算法映射

Unlimited OCR 2 之所以能够在数千页的超大跨度下保持极低的显存开销，核心归功于其对
人类阅读与抄写心智模式的仿生学抽象：

### 2.1 SR-SWA 稀疏参考滑动窗口注意力

人类在阅读或摘录超长书籍时，绝不会在每一秒钟都把大脑记忆铺满整本书的全部字句，而是**“
聚焦当前页，仅在必要时精准回看前文相关段落”**。基于此灵感，Unlimited OCR 2 首创了**
SR-SWA（Sparse Reference Sliding Window Attention）** 机制：

 1. **Page Gate 门控路由**：通过轻量门控网络，将每个当前 Query 的视觉参考视野从全量
    千页文档迅速收敛至高度相关的目标页面，并建立精确的跨页拓扑坐标；
 2. **Token Buckets 关键特征桶**：引入注意力权重排序的动态视觉 Token 桶，专门用于捕捉
    远距离跨页图表、章节目录与脚注引用，彻底消除了全量全局注意力中高达 90% 以上的无用
    空白与冗余计算；
 3. **解码吞吐飙升**：实测基准显示，SR-SWA 的单步解码速度相比传统 Full Attention 暴涨**
    7 倍**，相较上一代 R-SWA 亦提升 **5.6 倍**。

### 2.2 Unlimited-Horizon Decoding 无限解码引擎

为了解决长序列自回归生成中的显存线性膨胀问题，模型重构了解码器状态缓存策略。通过
引入动态跨步淘汰机制，将历史上下文的显存占用严格钳制在安全阈值以内，使得模型在持续
处理数百页、数千页时，不会被固定的硬件显存墙所扼杀，真正兑现了“Unlimited”的架构承诺。

## 3. 工业级横向选型对比：Unlimited OCR 2 vs MinerU 深度博弈

在当前开源中文文档理解领域，上海 AI Lab 孵化的 **MinerU** 与百度文心 **Unlimited
OCR 2** 是最为瞩目的两大重量级选手。针对企业级 SRE 架构师与系统工程师的选型诉求，
我们整理了全维度的技术参数对比矩阵：

  |  对比维度 |  百度文心 Unlimited OCR 2 |  开源经典 MinerU |  
   |  底层建模范式 |  原生端到端长文档模型，统一表征 |  流水线管线（版面+公式+表格+文字拼接） |  
 |  长文档极限承载 |  单次处理 3600+ 页书籍，保持全局上下文 |  强项在几十页单份，千页需依赖外部批处理分块 |  
 |  跨页结构连贯性 |  极强（SR-SWA 原生捕捉跨页表格与上下文） |  依赖后处理规则拼接，复杂跨页存在截断风险 |  
 |  输入格式生态 |  聚焦高精 PDF、扫描件与图文文档 |  PDF、Word、PPT、Excel、EPUB、OFD 全格式支持 |  
 |  工程部署与生态 |  依托 Transformers / SGLang 定制推理 |  CLI / SDK / WebUI / Docker 一应俱全，生态极其成熟 |  
 |  基准评测口径 |  MPDocBench 84.6、MarathonDocBench 77.1 |  基于 PP-OCRv6 升级版，OCR 精确度提升约 11% |

## 4. RAG 与企业级智能体的工作流落地指南

对于计划将 Unlimited OCR 2 集成至生产级数据管道的开发团队，官方与社区推荐的标准接
入步骤如下：

 1. **获取开源权重与代码**：通过官方 GitHub（`https://github.com/baidu/Unlimited-OCR`）
    与 Hugging Face 模型空间拉取最新模型权重；
 2. **部署高效推理服务**：推荐基于定制化的 **SGLang** 框架构建高并发推理网关，最大化
    激活 SR-SWA 算子在消费级显卡（如 RTX 4090）上的显存复用效率；
 3. **规避传统分块丢失**：在接入 LangChain、LlamaIndex 等知识库框架时，可直接关闭传统
    基于 Token 的粗暴字符切片策略，直接利用模型导出的高保真结构化 Markdown，以章节、
    二级标题和完整数据表格为语义最小单元，显著提升后续检索召回与问答准确率。

#### 📝 站长洞察 (Editor’s Insight)

在当前 AI 行业狂热追逐千亿大模型推理能力的浪潮下，文档解析等数据前置处理层往往被
低估，然而在真实的企业级 RAG 和私有化[智能体](https://paooo.com/trends/)项目中，‘
Garbage In, Garbage Out’是不变的正义铁律。传统的文档处理流水线（版面分析 -> OCR文字
提取 -> 表格还原 -> 公式识别）链路极长，各个子模型的误差级联放大，往往导致最后送
入大模型的上下文千疮百孔。百度文心通过 Unlimited OCR 2 证明了端到端 Vision-Language
模型在超长文档理解上的绝对优势：模拟人类‘阅读当前页、动态回看前文’的认知习惯，用
稀疏桶替代全量注意力，在兼顾显存开销的同时保全了跨页全局连贯性。这不仅是 OCR 技术
的一次跨越，更是为大模型落地铺设了一条平整、高保真的数据高速公路。

❓ 常见问题解答（FAQ）

Unlimited OCR 2 适合解析什么文档？

它更适合超长 PDF、扫描件、图文混排文档，以及数百页到数千页的书籍、招股书、技术白皮书
和复杂跨页表格，重点解决跨页语义断裂与上下文丢失问题。

Unlimited OCR 2 的核心技术是什么？

核心是 SR-SWA 稀疏参考滑动窗口注意力和 Unlimited-Horizon Decoding。前者减少无效全局
注意力，后者控制长序列解码时的显存占用，从而支持超长文档连续解析。

它和 MinerU 的主要区别是什么？

文中对比显示，Unlimited OCR 2 是原生端到端长文档模型，强调全局上下文与跨页连贯性；
MinerU 更偏流水线式处理，适合常规文档，但超长文档通常需要分块与后处理。

🔬 语宙深潜追问 · 进阶实操拆解

SR-SWA 适合替代传统切块吗？

适合处理长上下文连续性强的文档，但不建议完全替代切块。工程上可先用 SR-SWA 做整篇
粗解析，再按章节/表格做二次结构化，兼顾召回、成本和可解释性，尤其适合企业知识库与
审计场景。

3600页吞吐怎么接入生产链路？

建议把超长文档拆成异步流水线：上传后先做页级队列与失败重试，再进行版面检测、OCR、
结构抽取和索引入库。关键是控制 batch、显存上限和超时策略，并保留页级日志，方便回溯
与增量重跑。

🗳️ 读者观点微投票 · 您的实战立场是？

超长文档解析，最该先押哪条路线？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🏮 所属权威专题：国产大模型选型与资费对比 →](https://paooo.com/topics/domestic-llm-ecosystem/)

 * [Unlimited-OCR – 百度开源的端到端长文档 OCR 模型](https://paooo.com/aigc-news/24225/)
 * [登顶三项基准且解析提速3倍！SoMark重磅开源1.3B文档大模型OXR：首创RSI递归自我改进闭环、13类全要素解析与Agent友好输出全景技术拆解](https://paooo.com/ai-tool/41598/)
 * [百度千帆Qianfan-OCR震撼发布：4B参数端到端文档智能模型登顶权威评测，开源重塑OCR技术格局](https://paooo.com/aigc-news/11227/)
 * [mPLUG-DocOwl2 – 阿里推出多页文档理解的多模态大模型，单页仅需324个token](https://paooo.com/aigc-news/26889/)

🌐 English Executive Summary — Baidu ERNIE Unlimited OCR 2: Sparse SR-SWA and Unlimited
Decoding for Long-Doc Parsing

Baidu ERNIE’s Unlimited OCR 2 (open-source) targets end-to-end multimodal parsing
of ultra-long documents, eliminating “thousand-page” context gaps and VRAM blowups.
It combines SR-SWA sparse reference sliding-window attention with Unlimited-Horizon
decoding to focus computation on relevant pages and prevent linear memory growth
during long-sequence generation. Benchmarks report up to 3,600+ pages per run and
new SOTA results on MPDocBench and MarathonDocBench, making it well-suited for RAG
and enterprise document parsing workflows.

 * SR-SWA sparse reference sliding-window attention reduces wasted compute by attending
   only to relevant pages.
 * Unlimited-Horizon decoding uses dynamic caching and stepwise eviction to control
   VRAM growth for long outputs.
 * Empirical throughput (3,600+ pages) and SOTA on MPDocBench/MarathonDocBench position
   it for production-grade long-PDF parsing.

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/ai-tool/40473/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
