长文档 OCR 分数高，整份材料就能放心入库吗？

一页能读对，不代表两百页能交付#

把一份长报告交给知识库，用户通常不关心它被切成了多少张图片。他关心的是：有没有漏页，跨页表格有没有接错，答案能不能找到原文。

2026 年 10 月 27 日，百度发布 Unlimited-OCR-2，同时公开长文档评测集 MarathonDocBench。这次值得看的不只是榜单，而是它把问题从“这一页认得准不准”推进到“整份材料能否处理完”。

我的判断是：它适合进入长文档解析的候选清单，但还不足以让产品直接取消人工检查。尤其不能把综合分数当成文档可直接入库的比例。

77.06 分，到底在比较什么#

MarathonDocBench 包含 100 份中英文文档，约百至三百页一份，总计约 1.8 万页、20.5 万个标注元素。测试不只看文字，还看表格、公式、图片区域、阅读顺序、标题层级，以及跨页文字和表格能不能接起来。

官方数据集卡给 Unlimited-OCR-2 的综合分是 77.06。它是八项指标的平均值，不是“77.06% 的文档无需修改”。同一张表中，标题层级的结构分只有 48.2，跨页表格结构分为 71.1。这些指标衡量不同错误，不能互换成统一的识别正确率。

更重要的是比较条件。对照包括 Kimi-K3、Gemini-3.8-Flash 等通用视觉语言模型。官方对这些模型采用的是把整份文档的所有页面放进一次请求。遇到请求过大或超时，会缩小图片后重试；超过接口图片数量上限的文档会跳过，失败输出留空，但仍计入全部 100 份文档的评测。

这种设计有实际意义：接口接不下材料，对用户来说确实是失败。但它也意味着，分差同时包含了识别质量、输入容量和请求能否完成的影响。

所以，这份榜单能回答“这些系统在整份一次提交的协议下，谁交得出更完整的结果”，不能直接回答“给其他模型加上合理的分页、合并和重试后，谁仍然最好”。对于已有文档流水线的产品，这两个问题差得很远。

让长文档跑下去，也有取舍#

Unlimited-OCR-2 的一个办法，是让模型生成后面的内容时，只保留一组有限的活跃参考信息，而不是把所有过去内容都放在同一个不断膨胀的工作区里。官方称之为稀疏参考滑动窗口注意力，简称 SR-SWA。

可以把它理解成：处理厚材料时，桌面上只摊开当前最需要的参考页。这有助于控制每一步生成所需的缓存和计算，但不等于两百页与二十页的总耗时、总成本一样，也不保证跨页关系一定保留正确。

部署示例还提供了另一种窗口：一次处理多少页的图像。官方明确提醒，缩小页窗口能降低峰值显存，但如果一个连续内容块跨过窗口边界，跨页合并可能变差。省资源和保持整份材料的关系，不是同一个目标。

还有一个容易漏掉的环节：模型原始输出并不是最终 Markdown。官方后处理脚本会整理页面标记、标题树、阅读顺序，并合并跨页表格、去掉重复表头。因此，最终分数对应的是模型加输出整理流程；只换模型、不接同样的整理逻辑，不能默认复现结果。

产品验收要分三笔账#

如果要把它用于知识库、合同整理或报告解析，我会保留两组测试：一组按官方协议，把整份材料一次提交；另一组允许每个候选使用准备上线的分页、重试和合并方案。前者检查原生长文档能力，后者才更接近真正的采购与替换决策。两组结果分开报，不混成一个排名。

具体看三笔账：

第一笔是完成账。 多少份材料完整处理完，多少因页数、输出长度、超时或显存失败；重试后是否仍漏页。分母始终保留全部提交文档，不能只统计成功样本。耗时和费用也要包含失败与重试，而不只是一次成功调用。

第二笔是结构账。 从真实材料里单独抽取跨页表格、连续段落、复杂目录和空白页。检查表头有没有重复、数字有没有串行、标题有没有挂错层级，并比较不同页窗口的变化。正文能读通，不代表这些错误不会影响后续检索和回答。

第三笔是交付账。 解析后的内容是否还能对应原页，哪些错误能自动发现，哪些必须交给人确认。涉及金额、条款或关键结论时，我更倾向于先让系统整理、再让人核对关键位置，而不是因为总分高就直接覆盖原资料。

这也是我看这次发布的重点：长文档 OCR 的门槛不该只是“认字更准”，而应是失败看得见、关系接得对、结果找得回。模型分数提供候选，完整材料的验收才决定能否上线。

来源与边界#

• 发布与对象：百度 Unlimited-OCR 官方仓库记录了 2026 年 10 月 27 日发布 Unlimited-OCR-2 与 MarathonDocBench。本文讨论的是第二代及此次新评测，不把 6 月的初代论文当作新发布。
• 方法与系统设置：Unlimited-OCR-2 技术报告介绍 SR-SWA、训练与长文档评测；仓库说明页窗口的资源与跨页合并取舍。官方输出处理说明明确原始布局输出到 Markdown 的转换和跨页处理。本文没有亲自运行模型，也没有验证其他硬件上的速度、显存或成本。
• 数字与比较条件：MarathonDocBench 数据集卡提供 100 份文档、八项指标、77.06 综合分及上述分项分数，并说明整份单请求、缩图重试、接口上限和失败留空的协议。评测另设匹配与表格结构计算的超时限制，超时规则也会影响结果；不能把分差全部归因于模型识别能力。
• 数据与适用边界：标注结合页面解析、模型迭代与人工校核，不是所有内容都从零逐项人工标注。数据集对原始页面图像限定学术、研究用途，不能仅凭标注许可就推定所有原文件可商业复用。实际选型仍应使用有权处理的业务材料。

以上为发布团队的一手材料，不是独立复现。本文提出的两组测试、三笔验收账和人工复核策略属于产品判断；官方没有给出本文具体业务场景的可用率、成本或上线收益，本文也不据此补算。