尧图网络 高端网站定制 · 原创设计
免费咨询热线
400-888-6620
免费获取方案
MarathonDocBench基准测试解析:Unlimited-OCR-2凭什么登顶超长文档OCR榜单
人工智能计算机视觉OCR多模态大模型【免费下载链接】Unlimited-OCR-2项目地址https://ai.gitcode.com/hf_mirrors/baidu/Unlimited-OCR-2点击查看免费下载MarathonDocBench是百度专为「上百页超长文档 OCR」打造的新基准测试而Unlimited-OCR-2正是在这张榜单上登顶的新模型。本文带你拆解它凭什么在几十页到上百页文档的极限耐力赛里笑到最后以及背后那颗关键的技术心脏SR-SWA。一、MarathonDocBench 是什么上百页文档的极限耐力基准1.1 为什么几十页的基准不够用传统 OCR 评测里像MPDocBench这类基准通常只覆盖几十页的文档。几十页听起来已经不少但对现代模型来说几十页和上百页完全是两个量级几十页序列长度可控注意力机制还跑得动上百页文本与视觉 Token 爆炸式增长标准的全局注意力开销呈二次方增长内存和延迟会被直接拖垮。MarathonDocBench正是为了补齐这块耐力短板而生——它专门评测模型在极端上百页文档上的解析能力。Marathon马拉松这个名字本身就点明了它的考点不是比谁跑得快而是比谁能一直跑到终点。官方在 README.md 中明确将其定位为a new benchmark for ultra-long document parsing超长文档解析基准并于 2026/10/27 正式发布。1.2 榜单看点两套基准一起考Unlimited-OCR-2 的 SOTA 成绩是同时在两类基准上取得的见 README.md基准类型代表基准文档规模考察点常规多页MPDocBench几十页精度与速度平衡极限长文档MarathonDocBench上百页内存、延迟、不崩不截断能同时压住几十页和上百页两端才配得上登顶超长文档 OCR 榜单的说法。二、登顶核心SR-SWA 把超长序列压缩成固定参考集Unlimited-OCR-2 登顶的真正武器是SR-SWASparse Reference Sliding Window Attention稀疏参考滑动窗口注意力。2.1 SR-SWA 到底做了什么一句话概括它把超长序列里文本与视觉的注意力交互压缩成一个固定大小的工作参考集官方示例为 512 个 token。普通模型处理上百页文档时当前 Token 要和前面所有Token 做注意力计算量随文档变长而急剧膨胀。SR-SWA 的思路是不再对整条超长序列做全局注意力而是只维护一组固定大小的参考窗口每生成一个 Token实际要算的范围就被锁死在一个常数上。由此带来的直接收益是无论文档多长单步解码延迟和内存占用都几乎保持恒定。这正是上百页和几百页能拉开差距的根本原因。2.2 从 Long-Horizon 到 Unlimited-Horizon这是 README.md 里从长视野到无限视野的官方表述。它的含义是有限上下文窗口内实现真正的无界unbounded文档解析消除注意力随长度增长带来的二次方复杂度文档再长模型呼吸也基本不变——这就是 OCR 3.0 时代的口号From Long- to Unlimited-Horizon Parsing。三、榜单背后的工程细节稀疏注意力路由 MoE登顶不只靠一个口号落地在模型里是一整套精细的稀疏机制。3.1 稀疏注意力路由只算最相关的块Unlimited-OCR-2 把超长序列切成一个个块block再用一个轻量路由器为每个查询挑选最相关的少数块而不是扫描全部。关键参数都写在 config.json 的sparse_attention_config里参数取值含义sparse_block_size32每个块包含的 Token 数sparse_topk_blocks16每个查询保留的最相关块数量sparse_local_block4固定关注的局部块数量滑窗max_position_embeddings131072最大位置上下文约 128K这套块级 top-k 局部滑窗的组合在 dash_attention.py 中被解析为实际的块大小、局部窗口与 top-k 数量是 SR-SWA 能只算必要部分的直接实现。核心实现dash_attention.py、modeling_deepseekv2.py稀疏注意力基座_sparse_base_impl.py局部窗口与候选块的联合掩码Triton 加速内核sparse_gather_triton.py、sparse_gather_e2e_triton.py3.2 MoE 主干 多页推理主干基于 DeepSeek-V2 风格的MoE混合专家含 64 个路由专家 2 个共享专家、12 层hidden_size1280见 config.json。MoE 让参数大、激活少进一步压低长序列推理成本。视觉编码采用deeplip_b_lSAM ViT-B CLIP-L双塔视觉编码器图像输入到 1024 分辨率兼顾文本细节与版面结构。多页推理infer_multi允许把一份文档的所有页放进一次请求模型因此能利用跨页上下文输出会按输入顺序每页返回一个PAGE标记见 modeling_unlimitedocr.py。配合每页 Token 上限保护上百页也能稳定生成、不丢页。四、新手如何快速体验 Unlimited-OCR-2对刚接触 OCR 的读者官方给出两条路径按 README.md 操作即可① Transformers快速验证几行代码跑通依赖Python 3.10torch2.13.0、transformers4.52.1在 NVIDIA A800-80GB 上验证多页model.infer_multi(tokenizer, image_filespages)一次传入整份文档的页面单页model.infer(tokenizer, image_filepage_1.jpg)默认走动态分块gundam 模式。② SGLang推荐用于线上服务用仓库自带的定制 wheelwheel/sglang-0.5.20.dev13g75b9b06b02-py3-none-any.whl通过SGLANG_UOCR_DOC_GUNDAM_PAGE_WINDOW/SGLANG_UOCR_DOC_BASE_PAGE_WINDOW控制每窗页数对超长文档做页窗调度并复用上一窗的 KV 尾部进一步省内存启动后通过 OpenAI 兼容接口发送请求即可解析整份文档。小贴士想省显存可适当调小页窗但页窗过小会削弱跨页合并效果跨越窗口边界的连续区块会丢失上下文需要在省内存与跨页精度之间取平衡。小结超长文档 OCR 的耐力冠军Unlimited-OCR-2 登顶 MarathonDocBench靠的不是蛮力而是一套把无限变有限的工程哲学基准侧MarathonDocBench 把上百页变成可量化的极限耐力考模型侧SR-SWA 用固定大小的工作参考集把注意力开销压成常数落地侧稀疏块级路由 MoE 多页推理让上百页既算得动、又算得准。从几十页到上百页从长视野到无限视野——Unlimited-OCR-2 用 MarathonDocBench 这张榜单证明超长文档 OCR 的时代已经开始加速奔跑。延伸阅读完整架构与推理细节见 README.md 与论文Unlimited-OCR-2.pdf。赞分享人工智能计算机视觉OCR多模态大模型【免费下载链接】Unlimited-OCR-2项目地址https://ai.gitcode.com/hf_mirrors/baidu/Unlimited-OCR-2点击查看免费下载相关推荐Unlimited-OCR-2-6bit为什么霸榜文档OCRUnlimited-OCR-2系列评测与榜单解读Unlimited OCR 2 6bit为什么霸榜文档OCRUnlimited OCR 2系列评测与榜单解读 Unlimited OCR 2 6bit 是百度人工智能多模态计算机视觉OCR模型量化本地部署什么是Unlimited-OCR-2OCR-3.0时代百度无限文档解析模型完整指南什么是Unlimited OCR 2OCR 3.0时代百度无限文档解析模型完整指南 Unlimited OCR 2 是百度开源的 超长文档解析模型OCR 模人工智能计算机视觉OCR多模态大模型如何批量解析超长PDF文档Unlimited-OCR-2多页解析最佳实践如何批量解析超长PDF文档Unlimited OCR 2多页解析最佳实践 解析几百页的超长 PDF 一直是 OCR 的难题逐页识别会丢失跨页上下文塞进单一人工智能计算机视觉OCR多模态大模型上一篇【完全免费】星露谷物语游戏素材完整清单与使用指南地图、NPC、物品图一次拿全下一篇【零门槛免费】运动世界校园夜神模拟器步频脚本一键导入模拟跑步数据的四步教程创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
RELATED

相关推荐

为什么Unlimited-OCR-2能一次解析整本书?揭秘SR-SWA无限视野技术原理

为什么Unlimited-OCR-2能一次解析整本书?揭秘SR-SWA无限视野技术原理

人工智能计算机视觉OCR多模态大模型 【免费下载链接】Unlimited-OCR-2 项目地址: https://ai.gitcode.com/hf_mirrors/baidu/Unlimited-OCR-2 点击查看 免费下载 Unlimited-OCR-2 是百度开源的超长文档 OCR 模型,它的核心卖点是 SR-SWA(Spar…

📅 2026/11/3 10:41:57
SR-SWA无限视野解析原理:Unlimited-OCR-2如何让千页文档显存保持恒定

SR-SWA无限视野解析原理:Unlimited-OCR-2如何让千页文档显存保持恒定

人工智能计算机视觉OCR多模态大模型 【免费下载链接】Unlimited-OCR-2 项目地址: https://ai.gitcode.com/hf_mirrors/baidu/Unlimited-OCR-2 点击查看 免费下载 Unlimited-OCR-2 是百度开源的长文档 OCR 模型,它用一套名为 SR-SWA(Sparse R…

📅 2026/11/3 10:41:57
转引与二次引用:标注层级的三条判据,一条引文该落到哪一层

转引与二次引用:标注层级的三条判据,一条引文该落到哪一层

引一条自己没读过的文献,注脚里署原作者,还是署那本转手引用的著作?开题、预答辩、期刊审稿意见里这个问题被反复追问,回答却常停在「注明转引即可」。下面把标注拆成三个层级,给出三条可逐条套用的判据,再…

📅 2026/11/3 10:41:57
MORE NEWS

更多资讯

📰

智能路面监测系统架构与关键技术解析

1. 路面状况监测系统概述在交通基础设施管理中,路面状况监测系统正逐渐成为道路养护部门的"数字眼睛"。这套系统通过分布在关键路段的监测站点,实时采集路面温度、湿度、积水深度、结冰状态等关键参数,为冬季除雪、雨季防汛等养护决…

📰

WeKnora 实战:知识图谱增强 RAG 的部署、调参与跨库问答

最近在折腾私有化知识库,圈子里讨论最多的除了 RAGFlow 和 Dify,就是腾讯微信团队开源的 WeKnora。我大概花了一个周末把它部署到一台低配服务器上,又把平时积累的一批技术文档喂了进去,实际测了一圈跨知识库问答。今天这篇就完整…

📰

AI赋能教育研究:从数据到叙事的智能工具

1. 项目概述:当教育研究遇上AI数据叙事 去年帮一位教育学教授处理调研数据时,我亲眼目睹了学术圈的数据困境——他们团队耗时三个月收集的2.7万份问卷,最终在论文里只浓缩成三张干巴巴的统计表格。这促使我开发了"书匠策AI"&#x…

📰

MAX13487E自动方向控制省隔离通道设计避坑

简介:这份 MAX13487EESA 数据手册面向从事 RS-485/RS-422 半双工通信设计的硬件工程师与嵌入式开发者,用于快速查阅 MAX13487E/MAX13488E 收发器的电气规格、引脚定义和典型应用电路。资源包内含 1 个 PDF 文件,约 271KB,为原厂英…

📰

x86-64与ARM函数调用寄存器规则详解

1. 函数调用寄存器规则概述 在编程语言底层实现中,函数调用寄存器规则是编译器设计和汇编优化的核心机制之一。这个规则定义了在函数调用过程中,哪些寄存器用于参数传递、哪些用于返回值存储、哪些需要由调用者或被调用者保存。理解这些规则对于编写高性…

📰

开发大字号文字处理工具MaxText的技术实践

1. 项目背景与核心需求最近在整理电脑上的文档时,突然意识到一个有趣的现象:市面上绝大多数文字处理软件的默认字号设置都偏小。作为一个经常需要长时间阅读和编辑文档的用户,我发现自己总是需要手动调整字号到20pt甚至更大才能获得舒适的阅读…

TODAY

今日更新

THIS WEEK

本周精选

THIS MONTH

本月热门

读完文章,想聊聊您的网站?

告诉我们您的行业与需求,资深顾问一对一梳理方案与报价,全程免费。

📞 💬