百度开源一个号称能解析任意页数的 OCR 模型

让模型读一本 700 页的年报，传统 OCR 的做法是切成几百页分别识别再拼接，页一多、错位和丢上下文就是常态。百度给出的新方案宣称：页数不再是上限。是营销话术还是真突破，得拆开看。这次开源意味着权重在你手里，能不能打，自己跑一遍就有答案。

一、发生了什么

据雷峰网报道，百度 10 月 27 日发布并开源文心 Unlimited OCR 2，厂商口径称其为全球首次实现任意页数文档解析，实测能一次解析《哈利·波特》全系列 7 部作品共 3600 多页。在两个面向多页文档的公开基准上，厂商给出的综合得分分别为 84.6 分和 77.1 分，称领先一批同期模型、达到端到端最优——分数是厂商自测口径，尚未见第三方复现。技术上是把注意力计算改成模拟人抄书的方式：平时只看当前页，需要核对前文时才回看相关页面，官方数据称百页文档的单步解码速度比全注意力提升 7 倍。代码和权重已同步放到 GitHub 和 Hugging Face，并上线百度智能云等平台。

另一个背景是文档解析需求的真实增长：长篇研报、整本书、成卷的档案都要进 AI 流水线，解析环节的能力上限卡着下游所有应用。

二、跟你有什么关系

处理合同、招股书、整卷病历的人：不用再写「先切片再合并」的胶水代码，值得直接测，超长文档恰恰是现有方案最疼的地方。做 RAG 系统的工程师：解析精度决定了后面检索和问答的上限，解析层的进步比换检索算法更能提升整体效果。开源社区的人：上一代模型在 Hugging Face 的累计下载量已过千万，社区基础不小，新版本的实测表现值得跟踪一段时间再上生产。

三、怎么用

1. 拿自己业务里最难的文档测：几百页、跨页表格、扫描件混排的那种，别只用干净的电子版 PDF 试，那测不出差别。
2. 对比两条基线：现有的商用 API 和开源自部署，比精度也比成本，长文档场景差距最明显，短文档可能没区别。
3. 上生产前重点核对数字类内容，页码、金额、日期错一位就够麻烦，抽检比例别低于百分之一，抽检点尽量覆盖跨页表格。
4. 模型更新频繁，固定一个版本号进生产，别让镜像源静默升级——解析模型的每次更新都可能改变输出格式，下游脚本会先知道。

四、三个别信的说法

「任意页数意味着无限准确。」 能处理和能处理对是两回事。长度问题解决后，生僻排版和模糊扫描件仍是主要错误来源，实测不能省，也别省。

「SOTA 分数等于你的场景最好用。」 那些基准测的是通用多页文档，你的票据、古籍、工程图纸可能都不在分布里，最终以自己的测试集为准。

「开源了就可以随便商用。」 权重开放不等于没有许可条款，商用前看清仓库里的协议和商用限制，别等律师函到了才补课。

五、一句话结论

页数自由解决的是工程脚本的痛点，识别质量的最后一公里，仍然要靠你自己的测试集说了算。

信息来源

• 雷峰网：文心 Unlimited OCR 2 开源发布

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。