文心 Unlimited OCR 2

文心 Unlimited OCR 2 是百度发布的文档解析模型，重点不只是识别图片中的文字，而是处理多页文档里连续的段落、跨页表格及复杂版面。它适合作为知识库、档案数字化和资料处理流程的前端，把难以检索的页面转换成后续程序可以继续利用的内容。

项目背景与版本

百度于2026年10月27日发布并开源第二代模型，官方 GitHub 仓库为 baidu/Unlimited-OCR，模型权重入口为 baidu/Unlimited-OCR-2。仓库和模型页标注 MIT 许可。项目首代于2026年6月发布，第二代重点引入 SR-SWA，即稀疏参考滑动窗口注意力，减少超长序列解析中的计算与显存压力。

这里应区分两种使用方式：开源模型供开发者自行部署和集成；百度提供的完整文档解析云服务仍处于公开测试阶段。开源许可不意味着云端服务免费，也不代表自部署没有计算成本。

主要能力

• 理解版面而不只是抄录文字。 官方介绍覆盖标题、段落、表格、公式和图片等要素，以及阅读顺序和结构关系，便于后续索引、展示和抽取。
• 处理跨页延续。 对被分页切断的表格和段落进行关联，减少简单逐页识别后机械拼接带来的断裂。
• 多页联合输入。 仓库示例允许把按顺序排列的页面图片作为一次多页请求，利用跨页上下文；也提供单页处理入口。
• 兼顾试验与服务化。 官方说明支持 Transformers 测试路径，并推荐 SGLang 用于服务部署；实际部署需要匹配项目的依赖和配置。

它解决什么问题

普通 OCR 往往能找到字符，却不一定知道上一页的表头与下一页的数值属于同一张表。对于财报、技术手册和长篇档案，这种结构丢失会进一步影响检索与问答：系统即使检索到了文字，也可能错配字段或遗漏上下文。

Unlimited OCR 2 的价值在于把跨页关系放进解析环节。但解析结果仍不是业务结论。财务数字、合同条款、表格合并与公式尤其需要与原页对照；后续问答也应保留页码或原文定位，避免让模型输出替代原始证据。

适合哪些人和场景

适合有部署能力的开发者、知识库团队、档案信息化团队和需要处理大批多页文件的企业。可以先选三类代表性样本测试：普通扫描件、跨页表格文档和复杂多栏页面，分别统计文字遗漏、阅读顺序、表格结构和耗时，而不只看一两个展示案例。

如果只是偶尔识别几张收据，自建模型可能过重；如果文档敏感且需要可控处理环境，自部署的价值会更明显，但数据隔离、访问控制和日志管理仍需自行建设。

如何使用

1. 从官方仓库阅读当前安装和推理说明，获取对应模型权重。
2. 按页面顺序把 PDF 转换成图像，保留原始文件和页码映射。
3. 在测试环境中运行单页或多页推理，先确认依赖、显存和输出格式。
4. 对识别结果做结构校验和人工抽样，再接入知识库或文档处理流程。
5. 若选择云服务，使用官方文档解析入口参与公测，单独确认账户、计费和数据处理条件。

限制与部署提醒

“Unlimited”描述的是处理长文档的技术目标，不是对任意页数、任意硬件和无限并发的保证。仓库示例使用 Python 3.10，并列出在 NVIDIA A800 80GB 环境下测试的依赖；这不是对最低显存的承诺。部署仍应测量峰值显存、超时与输出长度，并检查失败后的重试策略。部分加载方式启用自定义远程代码，使用前应审查可信来源与代码内容。

同类方案对比

三者不能仅凭一个排行榜判断优劣。真正的选型依据应是你的文档类型、结构保真要求、吞吐量与维护能力。

官方入口：GitHub 项目 · 模型权重 · 百度发布说明 · 云端文档解析 · Docling · PaddleOCR