百度开源无限 OCR 2,SR-SWA 解码成本不随文档长度增加

关键要点

  • 百度于10月28日发布开源模型无限OCR 2,采用SR-SWA机制,可单次解析任意页数的文档。
  • 根据百度的技术说明,SR-SWA的解码速度较R-SWA快5.6倍,在百页文档场景下快7倍。
  • 无限OCR 2以MIT许可证开源,已在GitHub、Hugging Face和百度AI云平台发布,支持多种部署方案。

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。

开发者如何取得无限 OCR 2,授权条款为何?

根据百度官方发布,无限 OCR 2 以 MIT 授权开源,代码与权重已发布于 GitHub 与 Hugging Face;另亦通过百度 AI 云与百度 AI 开放平台提供;本地部署可使用 Transformers 进行快速测试,服务器部署则支持 SGLang。

免责声明:本页面信息可能来自第三方,仅供参考,不代表 Gate 的观点或意见,亦不构成任何财务、投资或法律建议。数字资产交易风险较高,请勿仅依赖本页面信息作出决策。具体内容详见声明。
评论
0/400
暂无评论