百度开源无限 OCR 2，SR-SWA 解码成本不随文档长度增加

百度于 10 月 28 日发布并开源第二代文档解析模型——无限 OCR 2，采用稀疏参考滑动窗口注意力机制，可在单次推理中解析任意页数的文档；根据百度 README 文件的说明，SR-SWA 将超长序列中的文字-视觉注意力压缩至固定工作参考集，使每一步的解码延迟与内存占用几乎不随文档长度增加。

SR-SWA 技术机制：页面门筛选相关页面、固定工作集解码、无限视野机制

根据百度技术说明，SR-SWA 的运作分为三个步骤：页面门（page gate）首先将每个查询的视觉参考范围从整个文档缩小到相关页面，同时对跨页位置建模；接着提取得分最高的视觉词元（token）组以捕获长距离依赖关系；最后，SR-SWA 将文字-视觉注意力压缩至固定工作参考集（如 512 词元），确保每一步解码延迟与内存占用几乎保持不变。

百度将这种方法比作人抄写书籍：专注于当前页面，仅在需要跨页信息时才回头查看。结合百度称之为「无限视野解码（Infinite Horizon Decoding）」的机制，模型得以在有限上下文窗口内处理非常长的输入，演示中实现一次解析全套《哈利波特》7 本（逾 3,600 页）。

版本演进：从 2026 年 6 月的 R-SWA 版本一到稀疏化的 SR-SWA 版本二

根据百度技术说明，无限 OCR 第一版于 2026 年 6 月发布，采用参考滑动窗口注意力（R-SWA），将文档解析范围从单页扩展至数十个连续页面。第二版以 SR-SWA 取代 R-SWA，稀疏化后的核心改进是：解码延迟与内存占用几乎不随文档长度增加，实现从「数十页」到「任意页数」的跨越。SR-SWA 解码速度较前版 R-SWA 快 5.6 倍，在百页文档环境下较全注意力模型快 7 倍。

百度自测基准结果：MPDocBench 84.6 分与 MarathonDocBench 77.1 分的来源说明

根据百度发布的基准测试数据，无限 OCR 2 在 MPDocBench（多页文档解析基准）得分 84.6，在 MarathonDocBench（百页文档基准，与模型同步发布于 Hugging Face）得分 77.1；百度表示，这两个结果均代表目前端到端解析的最高水平，并声称优于其测试过的数款 Flash 级通用模型。

重要说明：上述所有基准数据均来自百度自身的测试结果，撰文时尚无第三方或独立机构的评估报告发布，读者在引用或比较时应注意此数据来源的性质。

开源资源、部署工具与后续计划

无限 OCR 2 已以 MIT 授权开源，开发者可通过以下渠道取得并使用：

GitHub 与 Hugging Face：模型权重与代码以 MIT 授权公开发布

百度 AI 云（Baidu AI Cloud）：通过云端 API 提供

百度 AI 开放平台（Baidu AI Open Platform）：通过平台服务提供

Transformers：支持快速测试与本地端部署

SGLang：支持服务器部署场景

百度世界 2026（2026 年 11 月 12 日）：百度计划在此活动展示更多功能

MarathonDocBench 基准测试数据集亦随模型同步发布于 Hugging Face。

常见问题

SR-SWA 与第一版的 R-SWA 有何核心技术差异？

根据百度技术说明，版本一（2026 年 6 月）采用 R-SWA，将解析范围从单页扩展至数十个连续页面；版本二以 SR-SWA 取代，在稀疏化后将文字-视觉注意力压缩至固定工作集（如 512 词元），使解码延迟与内存占用几乎不随文档长度增加，SR-SWA 较 R-SWA 解码速度快 5.6 倍。

百度的基准测试结果是否已获独立验证？

根据原文说明，MPDocBench 84.6 分与 MarathonDocBench 77.1 分均来自百度自身的测试，截至 2026 年 10 月 28 日撰文时，尚未有第三方或独立机构的评估结果发布；MarathonDocBench 基准测试数据集本身亦由百度与模型同步发布于 Hugging Face。