百度开源长文档 OCR:整本 PDF,先验这三页

一份几百页的 PDF，终于能交给 AI 处理了。

等它生成总结，挑出重点，再把表格里的数字贴进汇报——看起来，只差点一次发送。

但你可能碰到一种更麻烦的情况：每个字都认识，放在一起却用错了。上一页的列名没接上，表格的单位跑到了另一行，一个本来要人工确认的数，被顺手写进了结论。

长文档处理能力越来越强，接下来更值得练习的，是怎样验收结果。

01｜这次更新解决的是长文档解析

百度在 Unlimited OCR 项目仓库的更新记录中，将 Unlimited OCR 2 的发布日期标为 2026 年 10 月 27 日。项目围绕超长文档解析更新了模型，并公布了相应评测。

先把 OCR 理解成一项基础工作：把页面里的文字、版面等内容转换成后续能处理的结果。它关系到后面的搜索、问答和整理能拿到什么材料。

处理一份长报告，最怕的是第一页和后面的页码失去关系。一张表延续到下一页时，后半张表究竟接在哪个标题下面？这类问题，不能只靠某个字认得对不对来判断。

官方模型说明提供多页推理示例：页面图片按顺序输入，输出保留对应的分页标记。这个接口细节给使用者一个提醒：原始页序和结果中的位置，值得一起留下。

本文据公开说明分析使用方法，未运行模型，也不提供自测准确率。

02｜拿到工具，先准备三类样本

如果工作中经常处理 PDF，不妨先做一份自己的验收样本。

第一类，普通文字页。找一页自己熟悉的正文，检查段落顺序、标题层级，看看有没有漏掉括号里的条件。

第二类，表格页。选一张同时有列名、单位、合计或备注的表，检查一行数据是否仍然对应原来的列。

第三类，跨页内容。找一张跨两页的表，或者一段接到下一页的说明，看结果是否接回了正确的位置。

“先验三页”说的是三类代表性内容；跨页样本本身通常需要相邻两页。它是一个起步检查方法，并不能保证整本材料都没有问题。

03｜最值得多看一眼的是数字旁边

假设你要整理一份培训项目的支出表。

某页表头写“单位：万元”，其中一项写“8.5”。如果只把这一格拎出来，后面的人可能看不到金额单位。再假设表格备注写的是“计划数”，汇报时却被整理成“已支出”，数字虽然没变，事情已经变了。

这是用来说明问题的假设例子，并非 Unlimited OCR 2 的实测错误。

核对时，把四样东西放在一起：列名、数值、单位、备注。缺了一项，先回原页找齐，再决定能否引用。

一个实用的习惯是：每条重要数字都附上“文件名＋原文件页码”。PDF 阅读器显示的第几页，可能与正文印刷页码不同，整理时最好注明使用的是哪一种。

这样，当同事问“这个数字从哪里来”，你能回到原材料，而不是在一大段 AI 输出里继续猜。

04｜让 AI 整理时，先交代证据怎么留

下面这段要求，可以按自己的材料改写，再交给支持文档处理的工具：

“按原文件页序整理。每项结论注明原文件页码；涉及数字时同时列出单位、表头和备注；无法确认的内容单独标记，先不要补全。最后列出需要我回原页核对的位置。”

这是一份整理要求，不是模型能力的保证。不同产品是否能保留页码、接收这些要求，需要看实际功能。

让它先找材料，再做总结，也更方便你追问：这句结论，是从哪一页、哪一段归纳出来的？

05｜最后算一次“可用结果”的时间

长文档模型有进展，并不意味着所有办公电脑都能直接运行。官方模型卡列出的测试环境使用了 NVIDIA A800 80GB；这项说明既不是普通电脑的运行承诺，也不是所有场景的最低配置。

如果已有文档工具能够满足任务，不用为了追一个新模型立刻更换流程。先拿同一组样本比较：生成用了多久，核对和修改又花了多久，结果能否回到原页。

真正省下来的时间，要算到那份结果可以放心交给下一位使用者为止。

想试的时候，先选公开或允许处理的材料，保留原件。花几分钟做出自己的样本，之后换任何一款文档工具，都有一把可以继续使用的尺子。

你处理 PDF 时，最耗时间的是找内容、抄表格，还是核对出处？