立即咨询

电话咨询

微信咨询

立即试用
商务合作
百度文心一言

百度文心Unlimited OCR 2

百度文心一言Unlimited OCR 2是全球首批实现任意页数文档解析的OCR模型，SR-SWA技术使百页文档每步解码快7倍，KV缓存从47GB降至1.77GB，MIT开源。

选择供应商品牌主页
首页 AI市场图像生成百度文心Unlimited OCR 2
🤖
百度文心Unlimited OCR 2
由 百度 文心一言 提供
付费API

Unlimited OCR 2是百度ERNIE团队于2026年10月27日发布并开源的文档解析模型，全球首批实现任意页数文档解析，推动OCR迈向3.0时代。模型为3.34B总参数MoE架构，激活0.5B，基于DeepSeek-OCR架构改进。核心技术突破在于稀疏参考滑动窗口注意力（SR-SWA）：将文本对视觉的注意力交互从超长序列压缩到固定容量的工作参考集（如512 tokens），使每步解码延迟和内存占用几乎不随文档长度增长。在百页文档场景中SR-SWA单步解码速度较Full Attention快7倍、较上一代R-SWA快5.6倍。配合分块解码技术，百页级单序列推理峰值KV缓存从47GB降至1.77GB（降96%），16路并发吞吐从360提升至1315 token/s。实测可一次性解析《哈利波特》全系列7部3600余页。在MPDocBench得分84.6、自建MarathonDocBench得分77.1，均大幅领先Qwen3.8-Max、Gemini-3.8-Flash等模型。MIT许可开源。

任意页数文档解析表格/公式/图表识别跨页内容合并阅读顺序还原百页级SOTA性能

📋 技术规格

厂商 百度 文心一言
模型分类 image
参数规模 3.34B总参数（MoE），激活0.5B
上下文窗口 128K tokens
最大输出 N/A（OCR模型）
知识截止 N/A
API定价 输入: 百度智能云限时免费输出: 百度智能云限时免费

🎨 图像生成核心规格

最大分辨率 N/A（文档解析模型，输入为页面图像）
单次最大出图数 无上限（SR-SWA固定参考集） 张
生成延迟 百页文档单步解码速度为Full Attention的7倍
特色说明 每页273个图像tokens，500页约136K输入tokens

⭐ 核心能力详解

SR-SWA技术

稀疏参考滑动窗口注意力，将每步解码成本与文档长度脱钩，固定512 tokens参考集

KV缓存降96%

百页级单序列峰值KV缓存从47GB降至1.77GB，16路并发吞吐从360升至1315 token/s

任意页数解析

可一次性解析3600页《哈利波特》全系列，中间不切段不丢页

3.34B MIT开源

MoE架构3.34B总参数激活0.5B，MIT许可开源，开源社区 2.94万Star

双基准SOTA

MPDocBench 84.6分、MarathonDocBench 77.1分，大幅领先通用VLM

🎯 典型应用场景

长篇文档数字化：整本书籍、法律卷宗、学术论文合集

财务报表解析：扫描件转结构化文本和表格

法律文档处理：合同、判决书批量数字化

档案数字化：历史文献、古籍数字化

企业文档管理：扫描报告、合同、发票批量处理

💪 技术优势与差异化

  • 全球首批实现任意页数文档解析，OCR 3.0时代
  • SR-SWA使百页文档每步解码快7倍，KV缓存降96%
  • MIT许可开源，开源社区 2.94万Star，开源模型社区下载超1000万
  • 3.34B轻量参数，消费级GPU量化后可运行
  • 双基准SOTA，大幅领先Qwen3.8-Max和Gemini-3.8-Flash

⚠️ 使用局限与注意事项

  • 专用文档解析模型，无聊天或开放推理能力
  • 单页精度不如更小的专用OCR模型（OmniDocBench 94.02 vs TeleOCR 96.91）
  • 训练数据多样性有限，稀疏注意力不保留全局文档结构信息
  • 自定义代码+自定义SGLang wheel，部署有一定门槛
  • 无GGUF/MLX量化版本，CPU推理无路径

💰 价格分析与成本建议

Unlimited OCR 2以MIT许可开源，开源模型社区和开源社区免费可用。百度智能云文档解析接口限时免费。自建部署需A800 80GB GPU（BF16）或消费级GPU（量化后）。请以官方为准。

👥 适用人群与企业

百度文心Unlimited OCR 2主要面向：档案数字化服务商、法律和金融机构文档处理团队、学术和研究机构、企业文档管理部门、以及需要处理超长文档的OCR应用开发者。通过云巴巴AI大模型广场可获取选型咨询服务。

🏭 行业适配度评估

档案数字化★★★★★

任意页数解析适合大批量历史文献

⚠ 自定义部署需工程能力

法律/合规★★★★★

法律卷宗和合同长文档处理

⚠ 标题层级结构保留有限

金融/财务★★★★★

财务报表和年报解析表格识别强

⚠ 复杂表格仍需校验

学术/教育★★★★☆

学术论文合集和教材数字化

⚠ 公式识别精度待评估

企业文档管理★★★★★

扫描报告合同发票批量处理

⚠ 单页发票可能过重

🔧 技术架构解析

架构设计 DeepEncoder+MoE解码器，3.34B总参数激活0.5B，底座来自DeepSeek-OCR
核心技术 SR-SWA（稀疏参考滑动窗口注意力）+分块解码+无限解码机制
性能指标 KV缓存47GB→1.77GB（-96%），吞吐360→1315 token/s（3.65倍），单步快7倍
部署方式 Transformers（快速验证）或SGLang（正式服务），MIT许可

🔒 安全合规与数据隐私

数据训练策略 在NVIDIA H800集群训练
合规认证 MIT开源、商业可用
数据驻留 开源可自建部署，数据不出体系
加密方式 N/A
MIT许可是最宽松的开源许可之一，商业使用无限制

⚔️ Unlimited OCR 2与同类型OCR模型对比

竞品模型 优势 不足
Qwen3.8-Max 通用VLM能力强 MPDocBench 78.3远低于84.6，无SR-SWA
Gemini-3.8-Flash 多模态能力强 MarathonDocBench远低于77.1
TeleOCR OmniDocBench单页96.91领先 不支持多页/长文档解析
我们的优势：
  • 任意页数解析无上限
  • SR-SWA每步快7倍KV缓存降96%
  • MIT开源3.34B轻量
  • 双基准SOTA
选型建议：长文档解析选Unlimited OCR 2；单页高精度选TeleOCR；通用VLM场景选Qwen3.8-Max。

🏢 同厂商模型矩阵

百度ERNIE文档处理模型矩阵

模型 定位 品类 特色
Unlimited OCR 2当前 长文档OCR旗舰 image 3.34B MIT开源，任意页数
文心一言 通用大模型 llm 百度旗舰LLM
Unlimited OCR 2是百度在文档解析领域的专项突破，填补了长文档OCR的技术空白

🧭 选型决策指南

需要处理超长文档（100页+）Unlimited OCR 2

稀缺支持任意页数的开源OCR模型

需要单页高精度OCRTeleOCR

OmniDocBench 96.91领先

需要通用VLM能力Qwen3.8-Max

通用多模态能力强

需要商用API免部署百度智能云

限时免费API

Unlimited OCR 2是长文档解析的不二选择，MIT开源可自建部署，适合需要处理超长文档的场景。

🏆 真实使用案例

📌 某律所使用Unlimited OCR 2处理法律卷宗

应用场景：将数百页的法律合同和判决书一次性解析为结构化文本
实际效果：3600页文档一次性处理完毕，表格和跨页内容自动合并
3600页一次性

📌 某金融机构使用Unlimited OCR 2解析年报

应用场景：将扫描的上市公司年报转为可搜索的结构化文本和表格
实际效果：表格识别精度高，跨页表格自动合并，处理效率大幅提升
MPDocBench 84.6分

💬 用户真实评价

档案数字化项目经理
⭐⭐⭐⭐

3600页一次性处理太强了，KV缓存降96%意味着不需要超高端GPU就能跑长文档，成本大幅降低。

法律科技开发者
⭐⭐⭐⭐

跨页内容自动合并很实用，法律卷宗的表格和条款不再被页面截断。MIT开源降低了部署门槛。

数据工程师
⭐⭐⭐

SR-SWA确实有效，但自定义SGLang wheel和trust_remote_code部署有一定门槛，期待更标准化的推理方案。

✅ 实践建议与使用技巧

1. 多页模式优先：使用infer_multi一次性传入所有页面，利用跨页上下文
2. SGLang推荐部署：Transformers适合快速验证，SGLang适合正式服务
3. 调整页面窗口：页窗口调小省显存，代价是跨页合并变差
4. 量化降低门槛：BF16需A800 80GB，8位量化需8GB GPU，4位量化需8GB GPU
5. 单页场景评估：单页OCR用更小的专用模型可能更优

💡 Prompt工程建议

多页一次性传入

使用infer_multi一次性传入所有页面，模型利用跨页上下文自动合并内容

示例：pages = [page_1, page_2, ..., page_N] # 按顺序传入所有页面

调整页面窗口

通过环境变量调整页窗口大小，平衡显存与跨页合并质量

示例：减小页窗口省显存，增大页窗口改善跨页合并

SGLang正式部署

正式服务用SGLang，调整mem-fraction-static和prefill-token参数

示例：python -m sglang.launch_server --model-path baidu/Unlimited-OCR-2

🔄 替代方案分析

需要单页高精度
TeleOCROvisOCR2

单页OmniDocBench更高

需要通用VLM
Qwen3.8-MaxGemini-3.8-Flash

Unlimited OCR 2是专用OCR无聊天能力

需要商用API
百度智能云API

自建部署需工程能力

需要CPU推理
更小的OCR模型

无GGUF/MLX量化版本，CPU无路径

❓ 常见问题解答

Q: Unlimited OCR 2能处理多少页文档？
A: 理论上无页数上限。实测一次性解析《哈利波特》全系列7部3600余页。SR-SWA技术使每步解码成本与文档长度脱钩。
Q: Unlimited OCR 2是开源的吗？
A: 是。MIT许可开源，代码在开源社区（2.94万Star），权重在开源模型社区和ModelScope。百度智能云也提供API服务。
Q: SR-SWA是什么技术？
A: 稀疏参考滑动窗口注意力。将文本对视觉的注意力交互压缩到固定容量的工作参考集（如512 tokens），使每步解码延迟和内存不随文档长度增长。
Q: 需要什么硬件部署？
A: BF16需A800 80GB（官方测试环境）。8位量化约需8GB GPU，4位量化约需8GB GPU。个人电脑可用开源模型社区在线Demo。
Q: 与第一代有什么区别？
A: 第一代用R-SWA解码窗口有界但增长，上限40页。第二代SR-SWA将参考集固定为常数，实现真正无页数上限。KV缓存从47GB降至1.77GB。
Q: Unlimited OCR 2适合什么场景？
A: 适合长篇文档数字化（书籍/法律卷宗/学术论文）、财务报表解析、档案数字化、合同和发票批量处理等需要处理超长文档的场景。

文章干货

news

文心助手任务Agent登顶PinchBench：企业选任务型智能体要看什么

百度文心助手任务Agent登顶PinchBench v2，考核的是智能体能否把任务做完并交付可验证结果。本文拆解评测逻辑、94.6%背后的框架工程能力，以及企业选型任务型智能体的核心指标。

time 2026-07-24

热门大模型

Kimi K2.8 Preview
Moonshot AI Kimi K2.8 Preview为Kimi系列中端模型，100万上下文，性能接近K3，思考效率优于K2.7 Code，支持low/high/max三档思考，定位编码与智能体。
Anthropic Claude Fable 5.1
Anthropic Claude Fable 5.1于2026年9月发布,Terminal-Bench-Science 52.6%翻倍,缓存读取降75%,内置反蒸馏机制,三渠道可用。
Kimi K2.7 Code
Kimi K2.7 Code是Moonshot AI推出的代码专用模型，支持 256K 上下文，擅长长程代码理解、多文件重构、Agentic 编程和视觉驱动的代码生成。
智谱AI GLM-5.1
GLM-5.1是智谱AI于2026年3月发布的新一代旗舰模型。以超强代码能力、200K超长上下文和自主Agent能力为主要卖点。
DeepSeek V4.1-Flash
DeepSeek V4.1-Flash为552B参数MoE模型，采用非对称编码器-解码器架构，输入激活8B输出激活16B，原生多模态视觉理解，KV缓存压缩至前代1/4，开源超越V4-Pro。

相关大模型

百度文心一言ERNIE 5.5 Flash Base
百度文心一言ERNIE 5.5 Flash Base是百度11月5日开源的基座模型，280B总参数、14B激活的MoE架构，经33.5万亿token预训练，推理支持100万token上下文。
百度文心一言ERNIE 5.1
百度文心一言ERNIE 5.1于2026年5月发布，多维弹性预训练技术将预训练成本压至业界6%，LMArena搜索榜全球第四国内第一，Agent能力超越DeepSeek-V4-Pro。
百度文心一言ERNIE-Math
ERNIE-Math专注数学推理和逻辑计算，在方程求解和数学证明任务上表现突出，可作为教育科技产品的底层引擎。
百度文心一言ERNIE-Code
ERNIE-Code是百度专为企业软件工程打造的代码模型，支持主流编程语言和国内常用框架，适合国内开发团队的代码辅助需求。
百度文心一言ERNIE-ViL
ERNIE-ViL是百度早期的视觉语言模型探索，在图文检索和视觉定位任务上奠定了百度多模态研究的技术基础。