3600页文档,能一口气读完?

【3600页文档，能一口气读完？】

先说这是什么。OCR 就是把扫描件、照片里的文字“认”出来，变成能复制、能搜索的文本。过去的麻烦在于页数：一次能处理的文档往往只有几十页，遇到几百上千页的书或卷宗，就得切成很多段分批跑，再想办法拼回去。百度这次发布并开源文心 Unlimited OCR 2，宣称全球首次实现任意页数文档解析，把处理上限从几十页推到“无限”，并称达到 SOTA，即当前公开评测中的最好水平。

为什么值得关注。对国内开发者和中小企业来说，长文档是绕不开的场景：合同、标书、病历、档案、古籍 digitization 都要整本整本地处理。实测里，它一次性解析累计超过 3600 页的大体量书籍，文档长度大幅增加后，精度和处理效率依然较高。再加上是开源，团队可以自己部署、自己调，不必把敏感文件一股脑交给外部接口。

代价和局限也得说清楚。“任意页数”是官方说法，公开实测的量级是 3600 页级别，不是真的可以无限往上加。文档越长，占用的内存和算力越多，跑完要花的时间也越长，小机器未必扛得住。目前给出的评测主要是两个公开基准，比如多页文档解析的 MPDocBench，真实业务里的模糊扫描、复杂版式还得自己验。开源省的是授权费，用的算力和调优人力，仍然要自己掏。

#OCR #文心 #开源项目 #文档数字化 #开发者工具