ARTICLE · 1283875

2026 年 10 月 OCR 更新:长文档怎么读,识别结果谁来验?

发布时间：2026-10-31 10:05:56 最近访问：2026-10-31 10:05:56

导读这批 OCR 更新分别着力于控制长文档开销、针对难例改进训练、为识别结果评分。百度 Unlimited OCR 2 让每一步少算、缓存少存，SoMark OXR 把错误归因转成训练数据，面壁 MiniCPM-OCR Jev 辅助筛选需要人工复核的区域。拆开机制、性能与适用条件，才能判断它们各自解决了什么。

本文 3036 字，阅读约 8 分钟

处理一份文档，会遇到三类问题

2026 年 10 月，SoMark 发布 OXR，百度在 27 日开源 Unlimited OCR 2，面壁智能在 28 日推出 MiniCPM-OCR 系列。往前一个月，还有小米的 Xiaomi-OCR-0。

OCR 原本指光学字符识别，也就是把图像里的字转成文本。这里讨论的文档解析还要恢复表格、公式和阅读顺序；结果质检则负责判断解析得对不对。同样出现在 OCR 更新里，它们承担的任务并不相同。

OCR It 不是 MinerU 的平替：从识字到解析，中间差了什么？

以一份几百页、夹着续表的扫描报告为例。模型可能读到后面越来越慢；也可能反复认错某种表格结构；即使顺利输出了 Markdown，仍有人需要核对关键数字。这是三种不同的困难。

我想沿着这些问题看三条路线：运行时怎样控制长文档开销，训练时怎样补足难例，输出后怎样分配复核。三者作用在不同阶段，本文分别看它们的机制与证据。

Unlimited OCR 2：每一步少算，显存里少存

Unlimited OCR 2 总参数约 3B（30 亿），采用混合专家架构，每次生成只激活其中约 500M（5 亿）参数。参数量描述模型规模，长文档开销还取决于它每一步要读取多少上下文。

页面先经过视觉编码器，变成一组承载图像特征的视觉 Token。Token 是模型处理的基本单元：视觉 Token 表示图像特征，生成的文本 Token 则对应文字或符号片段。解码器参考这些视觉信息和已有输出，逐步生成文字与结构。

困难在于：文档越厚，可参考的视觉信息越多。上一代 Unlimited OCR 已限制近期文本上下文的长度，但每一步仍要对全部页面的视觉 Token 计算注意力，长文档的计算负担会继续增长。

Unlimited OCR 2 的 SR-SWA，即稀疏参考滑动窗口注意力，把视觉信息选择拆成两步。

Page Gate 先按当前解析对应的页面约束候选块范围。Token Sieve 再为候选块计算相关性，只选择固定数量的高相关块参与注意力计算。这里筛选的是图像特征块，不是先把整页读成文字再检索。

左下是页级范围约束与视觉块筛选，右侧展开 Token Sieve；局部窗口同时保留近期上下文｜来源：百度 Unlimited OCR Works 2 技术报告，Figure 3

可以把它理解为：转写当前这段内容时，模型只调取有限的视觉证据，再结合近期已经生成的上下文往下写。视觉块的边界可能跨相邻页面，并不要求与纸张边界严格对齐。

但少参与计算的信息，如果仍全部留在显存里，缓存占用依然会增加。因此，还需要第二项设计：Unlimited-Horizon Decoding，即持续推进的分块解码。

它把文档划成大小可控的页面块，相邻块重叠一页。切换时，复用交接页的视觉 KV 缓存，并带上上一段输出末尾的文本缓存；不再需要的历史视觉缓存释放掉。KV 缓存保存的是供后续生成复用的中间计算结果。

上方同时保留全部页面缓存，下方只保留当前块，并复用相邻块的交接页｜来源：百度 Unlimited OCR Works 2 技术报告，Figure 4

SR-SWA 缩小每一步的计算范围，分块解码控制驻留缓存规模。两者配合，才把长文档处理的计算和存储问题分开解决。

作者在批量大小为 3、每页固定生成 1024 Token 的百页测试中，报告 SR-SWA 的单步解码速度达到全注意力的 7.0 倍、上一代 R-SWA 的 5.6 倍。这项对照检验的是注意力路径的效率。

技术报告在百页级 MarathonDocBench 上比较两种解码方式：单序列峰值 KV 缓存从 47.00 GB 降到 1.77 GB；另一项 16 路并发测试中，输出吞吐从每秒 360 Token 增至 1315 Token。1.77 GB 只是 KV 缓存，不包含模型权重等开销。

解析质量方面，作者报告 MPDocBench 综合得分 84.59，MarathonDocBench 为 77.06，均为报告所列参评模型中的最高综合分。后者是团队新建的百页基准，包含 100 份、每份 103—300 页的文档；这些分数不能换算成任意文档的识别正确率。

连续处理的能力也有边界。报告明确指出，当前稀疏机制不保留完整的全局文档信息，标题层级等结构理解仍受限。单步开销受控，也不意味着处理整本书的总时间恒定。

OXR：把难例变成下一轮训练题

另一类问题是反复认错同一种版式。即使计算资源够用，模型也可能没学好某种续表或手写公式。OXR 从训练侧入手，考虑怎样让新增数据跟着模型的弱项走。

SoMark 的 OXR 是一个 1.3B 文档解析模型。它在后训练阶段引入 RSI，即递归自我改进：发现薄弱样本，分析原因，再定向生成训练数据。

从左到右是预测分类、归因与训练规划、数据生成；底部回路把生成数据送回训练｜来源：SoMark，OXR 官方仓库

流程先让 OXR 解析真实文档，再由通用视觉语言模型结合原图和预测进行判断，把样本分为正确、错误和不确定。对同一输入多次生成，如果结果分歧很大，也会进入不确定集合。

接着，系统对错误和不确定样本逐个归因，把相近原因聚在一起。生成环节依据这些原因，以真实文档的视觉风格为参照，构造图像与标签，回到下一轮训练。

以跨行单元格为示意：若错误集中在这种结构上，下一轮就定向补充相应表格，而不是只增加普通段落。

关键在于把错误转成可执行的数据需求，再用于下一轮训练。这套循环需要判错、归因与合成组件共同参与，数据质量也取决于这些环节；它不发生在每次解析 PDF 的过程中。

官方评测文档列出 OXR 在 OmniDocBench 上的 97.18 分，在 2026 年 10 月 5 日的比较快照中列第一。其他模型成绩部分来自公开记录，不能单凭这张成绩单，把收益全部归因于 RSI。

在推理管线上，OXR 还有一个独立的工程取舍：把负责划分页面区域的版面分析模型做成可替换组件，内容识别与阅读顺序仍由 OXR 主模型承担。业务可以调整区域划分，保留后面的识别能力。

官方用单张 RTX PRO 6000 Blackwell 96GB，在固定抽取的 100 张页面上测试，OXR 两轮平均端到端耗时约 101 秒，包含阅读顺序处理，列该次 21 款模型的第一，页面吞吐比次名高约 33.5%。这是 1.3B 模型及其管线的整体表现，没有单独分离架构调整或 RSI 的贡献；这里的 100 张页面，也与前面的百页连续文档实验属于不同负载，不能直接比较快慢。

MiniCPM-OCR Jev：输出之后，再判断哪些值得复核

结果生成后，仍有一个问题：哪些区域可以自动接收，哪些应交给人？这需要在解析能力之外，增加判断结果质量的能力。

面壁这次同时发布了两个模型：1.3B 的 MiniCPM-OCR 1.0 负责解析，2B 的 MiniCPM-OCR Jev 负责评价已有解析结果。

Jev 每次判断一个文本、公式或表格区域。内部输入包括原始区域图像、候选识别内容，以及把候选内容重新渲染得到的图像；输出为 0—1 的质量分，越高表示模型越倾向于判对。渲染图让表格、公式的结构也能以视觉形式参与比对。

它基于 Qwen3.5-2B 训练，把生成文字的输出头换成判断对错的二分类头。判别时直接计算评分，省去逐字生成解释的步骤。

三行分别展示文本、公式和表格；每行比较同一原图的两个候选及其评分｜来源：OpenBMB，MiniCPM-OCR Jev 官方指南

这对应两种用法：一个候选得分不足，送去人工复核；同一区域有多个解析候选，则优先选择高分项，仍不达阈值的继续交给人。候选必须对应相同的裁图和内容边界，选中的区域再按阅读顺序组合。

这也意味着，质量判断依赖已经送进来的区域与候选。如果上游根本没切出某个区域，后面只给现有区域评分，不能据此保证整页没有漏项。

官方在 JevOCRBench 区域级评测上报告，这个 2B 判别模型的 AUROC 为 0.936，接近同表 Qwen3.5-397B-A17B 的 0.938。AUROC 衡量评分区分正确与错误候选的能力；0.936 也可写作 AUROC ×100 后的 93.6，它并不表示自动接收结果的正确率为 93.6%。

官方还用同样的 200 个样本，分别取得四款 OCR 的结果，Jev 的 AUROC 在 0.919—0.934 之间。这说明它在该组样本上能为不同解析器的候选评分；换到新文档、新解析器，仍需另行验证。