理应资讯
办公协作智能化

百度文心 Unlimited OCR 2:页面块边界 KV 复用,端到端吞吐数千页文档

理应编辑室 ·

文心 Unlimited OCR 第二代引入无限跨度解码与稀疏引用滑动窗注意力,按页面块解析并复用边界页视觉 KV 与近期文本 KV,公开演示可一次吞下三千六百页级合订本;权重已开源,亦提供云端接口。

百度文心团队发布 Unlimited OCR 2(亦称文心 Unlimited OCR 第二代),把文档解析目标从“连续解析几十页”推进到可端到端吞吐数千页超长文档的形态。公开演示与说明里举例:可一次性解析约一千二百页以上的《三体》全三册,以及约三千六百页以上的《哈利·波特》七部曲合订本。权重与推理代码以开源形式放出,Hugging Face 上模型卡标注发布日为二零二六年十月二十七日,并写明引入 Sparse Reference Sliding Window Attention(SR-SWA) 与 Unlimited-Horizon Decoding 机制。

核心思路是把长文档切成多个页面块,相邻块共享一页作为边界。当前块解析结束后,只保留边界页的视觉键值缓存以及近期输出的文本键值缓存,再进入下一块并复用这些状态,同时释放已不活跃的旧页面缓存。例如处理完第 1–10 页后,可保留第 10 页作边界,继续解析后续页面,使 GPU 上主要驻留当前活动块所需缓存,而不必把整本书的缓存常驻显存。官方模型卡进一步说明:SR-SWA 把超长序列上的文本—视觉注意力交互压缩到固定规模的工作引用集合(例如约五百一十二个标记),从而把每步解码延迟与显存足迹约束在近似恒定区间。

能力侧重点包括:识别文字并恢复正确阅读顺序,减少正文与脚注混排;识别表格文字、数字与行列关系,并尽量把跨页续表接成完整表;判断跨页段落是否延续并拼接;识别大小标题以保留章节结构;记录图片与图表在页面上的位置。推理路径支持 Transformers 快速试跑,以及面向服务的 SGLang(含按页窗口调度、跨窗复用前一窗 KV 尾等配置项);亦可走百度智能云上的托管接口。对办公协作与知识库建设团队,这意味着扫描件、合同合订本、长 PDF 手册等“超长文档一次进模型”的可行性显著提高,但仍需用本队真实版式(竖排、扫描噪声、复杂续表)做回归,并以本队硬件上的吞吐与显存曲线为准。

flowchart LR
  A[超长 PDF/扫描件] --> B[切成页面块]
  B --> C[解析当前块]
  C --> D[保留边界页视觉 KV<br/>与近期文本 KV]
  D --> E[进入下一块并复用]
  E --> F[释放不活跃旧页缓存]
  F --> C
  C --> G[结构化文本/表/标题/图位]

Unlimited OCR 2 界面:正在解析约三千六百页哈利波特合订本

# Unlimited OCR# 文心# 百度# 文档解析# 办公协作