百度開源Unlimited-OCR 2：百頁文檔單步解碼快5.6倍，不必每步看全書

動察 Beating AI 快訊，百度發布並開源 Unlimited-OCR 2，模型約 30 億參數，推理時僅激活約 5 億參數。

6 月推出的第一版已經能連續解析約 40 頁文檔，但隨著頁數增加，每生成一個 token 仍要關注所有頁面的視覺信息，導致解碼越來越慢。

第二版引入 SR-SWA 稀疏注意力機制。模型不再每次都查看全部頁面的視覺信息，而是重點關注當前頁面，再挑選少量相關的視覺信息，結合最近生成的文字繼續識別。百頁測試中，單步解碼比舊版 R-SWA 注意力方案快約 5.6 倍，比傳統全注意力快約 7 倍。

顯存節省也很明顯。在百頁文檔測試中，通過分塊解碼和跨頁緩存復用，單路推理的峰值 KV 緩存顯存從 47GB 降至 1.77GB。另一組 16 路並發測試中，生成吞吐量從每秒 360 tokens 提升至 1315 tokens。

百度還建立了 MarathonDocBench，包含 100 份 103 至 300 頁的文檔，測試模型的長文檔解析能力。Unlimited-OCR 2 獲得 77.06 分，Gemini 3.8 Flash 為 28.61 分，Qwen3.8 Max 為 22.93 分。上述成績來自百度自建基準的測試。

實際處理超長文檔時，系統還可以分窗口處理，並復用前一窗口的部分緩存，以進一步降低顯存開銷。不過，窗口過小可能影響跨頁內容的銜接。論文也承認，新機制無法完整保留文檔的全局信息，多級標題等整體結構仍可能識別錯誤。