一口气吞下5000页PDF不卡壳!百度文心Unlimited OCR 2开源:长文档解析变天了

就在大家以为大模型军备竞赛进入胶着期时，DeepSeek 又悄悄完成了对自己的超越。

距离上一次发布仅仅过去一个月，官方突然宣布：DeepSeek V4.1 Flash 迎来全面重

磅升级，新版本 V4.1-Flash-1017 正式上线！

网页端、官方 App、API 已同步切换至新模型，最关键的是——模型权重依然在 HuggingFace 和 ModelScope 保持全开源！

现在的大模型，动辄号称具备 1M 甚至 2M 的超长上下文。

但只要你真正往里面塞过一份上百页、带着复杂排版和表格的 PDF，就会发现残酷的现实：
模型要么读到后半段开始疯狂胡言乱语，要么单步解码卡到怀疑人生，甚至直接内存溢出宕机。

就在今天，百度悄悄放出了一个仅有 3B 总参数、**单步实际激活仅 5 亿（500M）**的轻量级开源模型——文心 Unlimited OCR 2。

可就是这枚“小钢炮”，直接在两大国际长文档基准（MarathonDocBench、MPDocBench）上斩获全球第一。
在百页级长文档评测中，它砍下 77.06 的高分，得分甚至达到了第二名的 2.3 倍以上。

更可怕的是，它彻底打破了文档解析的“页数上限”。

一、3600页哈利波特一口吞：翻页速度贴地飞行

过去，绝大多数文档解析工具读到 40 页以上就会遇到显存与算力墙，用户不得不先把长书切分成几十个小 PDF 才能喂给机器。

而这一次，百度把这个上限直接撕碎了：

• 3623 页《哈利·波特》全集一镜到底： 耗时约 1 小时 30 分钟全部啃完，平均翻一页仅需 1.5 秒，全程无一处断片；

• 读到第 5000 页依然不减速： 无论是第 3 页还是第 5000 页，翻页延迟始终保持平稳；

• 普通显卡就能跑： 单序列 KV 显存占用直接砍掉了 96.2%（从常规的 47GB 骤降到 1.77GB），一张普通家用游戏显卡就能满血驾驭。

这意味着，无论是上千页的工程标书，还是几百页的上市招股书，终于可以整本拖入、一键解析。

二、三道地狱级实测：专治“自作聪明”的大模型

很多通用模型在读古籍或小说时，往往不是在“看图”，而是在靠记忆“脑补背书”。为了测试文心 Unlimited OCR 2 到底有多硬核，测试团队设置了三道极端关卡：

1. 防脑补陷阱：字形微调全部照单全收
   在长达 240 页的小说长卷中，测试者悄悄把“叶文洁”改成了“叶文清”，把原著页码“742”调换为“724”。如果换成平时爱脑补的通用模型，早自动纠错改回去了；但 Unlimited OCR 2 依然按纸面原件精准揪出，一字不差。

2. 跨页脉冲图拦腰截断：精准逻辑缝合
   当一句英文刚好被跨页处的一张巨幅架构图隔开时，模型展现出了惊人的排版感知力——它直接越过图片和图注，把前后半截文字无缝拼回合拢。

3. 300页财务流水大考：900多万对账精确到分
   面对财务和法务最头疼的跨页续表与正负对冲，模型一口气吞下 300 页账本、3000 条流水记录，不仅 0 漏项、无错列，最后用识别出的数据自动重新计算总金额，9,258,968.05 元，分毫不差。

三、技术揭秘：为什么通用大模型读长文档必崩？

为什么动辄百万窗口的通用大模型，一遇到几百页 PDF 就会走神、降速甚至崩溃？

根源在海量的“视觉 Token”上。
在传统的全注意力机制下，PDF 每翻一页就会产生数以千计的视觉 Token。如果你读到第 200 页，模型每解码一个字，都必须把前 199 页的巨量像素全部重新算一遍。这就像抄书抄到第 200 页，每落下一笔都要把前 199 页从头翻一遍，算力怎么可能不被压垮？

百度的破解思路极其巧妙——模拟人类“抄书匠”的本能：

• SR-SWA 稀疏注意力： 人类在抄长卷时，95% 的精力只盯着当前这一页，只有跨页或核对图表时才会精准扫一眼前文。模型引入了“页面门控”与“Token筛子”，把视野锁定在关键页上，无关像素统统丢弃，把单步计算量锁死为一个固定常数。

• 接力跑式的无限解码机制： 文档按窗口推进，相邻窗口之间只留一页“交接页”复用缓存。一旦翻页完毕，历史缓存直接从显存中物理释放，实现真正的**“边读边扔、零负担前行”**。

四、极客浪漫：“无限剑制”致敬开源社区

在这次发布的技术报告第一页，官方还埋下了一枚极具情怀的彩蛋。

导言的最上方印着一段让极客与二次元会心一笑的咏唱：

这句改编自经典动漫《Fate》中“无限剑制”的名台词，最早源于第一代模型开源时，HuggingFace 社区一位名为 Snarcy 的开发者的随手留言。

令人意外的是，百度技术团队不仅记住了这句神评，更在发布 2.0 版本时直接将其印在了官方报告的第一行，并郑重署上了这位普通网友的名字。

结语与开源通道

从一代模型的 40 页极限，到二代模型的“不设上限”，这项突破对于日常需要处理合同、财报、论文与古籍数字化的研究者而言，无疑是一场及时的生产力释放。

当行业还在为超长上下文的算力账单肉疼时，一个 5 亿激活的小模型证明了：精巧的算法结构，远比无脑堆砌算力更有力量。

该模型目前已经全量开源，权重与代码均已就绪，感兴趣的朋友可以直接拉取部署：