百度于 2026 年 10 月 27 日在 Hugging Face 发布 Unlimited OCR 2（模型卡 Release 条目），这是面向多页乃至上百页文档解析的开源视觉语言 OCR 模型。权重标注为 MIT 许可。Hugging Face safetensors 元数据给出总参数 3,343,978,497（约 3.34B）；模型卡界面写的是 3B params。
要点
| 内容 | |
|---|---|
| 发布 | 2026 年 10 月 27 日上线 Hugging Face（baidu/Unlimited-OCR-2）；模型卡称 ModelScope、百度智能云亦可获取 |
| 许可 | MIT（HF 模型卡 / API 标签 license:mit） |
| 参数 | 总参数约 3.34B（HF safetensors 元数据）；界面标注 3B。v2 的 MoE 激活参数量模型卡未写明 |
| 核心改动 | Sparse Reference Sliding Window Attention（SR-SWA）：把文本–视觉注意力压到固定规模工作参考集（卡上举例 512 token），使逐步解码开销几乎不随文档变长而涨 |
| 推理 | Transformers 便于试跑；仓库内附定制 SGLang wheel 用于服务。百度在 NVIDIA A800-80GB 上测过 |
| 基准（自评） | 称在数十页级 MPDocBench 与上百页 MarathonDocBench 达 SOTA；MarathonDocBench 随模型一并发布。未见独立复现引用 |
| 前作 | Unlimited-OCR（2026 年 6 月）；v2 技术报告 PDF 在 HF 仓库；卡上 Citation 仍指向 v1 arXiv（2606.23050） |
背景
Unlimited OCR 2 接续百度长文档 OCR 路线。模型卡称 SR-SWA 让解析从「长视野」走到有限上下文内的「无限视野」：注意力被钉在固定参考集上，而不是随页数二次膨胀。多页接口 infer_multi 一次吃入按页序排列的图片，可跨页利用上下文；单页 infer 默认动态切块（gundam 模式）。
MarkTechPost 按配置描述了 DeepSeek-OCR 风格结构（视觉编码器接入 MoE 解码器：64 路由专家、每 token 激活 6 个，另加 2 个共享专家），并引用百度榜图分数，如 MPDocBench 84.6、MarathonDocBench 77.1。这些分数主要出现在模型页图片里，按百度自评处理，不作独立核实结论。
尚不确定
- Unlimited OCR 2 的激活（路由）参数量；部分社媒称「3B / A0.5B MoE」，HF 模型卡未确认
- MarathonDocBench 除公告外的公开数据细节
- MPDocBench、MarathonDocBench 分数的第三方复现
- 模型卡 Citation 是否会换成独立的 v2 arXiv 条目