百度

百度近期提出了一种名为 “One-shot Long-horizon Parsing” 的全新框架，旨在通过单次推理解决超长文档中的结构化信息提取难题，显著提升了 RAG（检索增强生成）系统的精度与效率。 ▶ 突破长文本瓶颈：该技术解决了传统分段解析（Chunking）导致的信息碎片化问题，实现了对超长上下文全局语义的精准捕获。 ▶ 效率与成本的双重优化：通过 One-shot 机制大幅减少了重复计算与多轮交互，为企业级大模型应用降低了 Token 消耗和推理延迟。 八卦洞察 百度此举是在补齐 RAG 架构中被长期忽视的“数据清洗与解析”这一环。当前大模型在处理万字长文或复杂财报时，往往在“召回”阶段就因为解析不力而导致关键信息丢失。百度利用其在搜索和 NLP 领域的深厚积淀，将解析过程从“切片式”进化为“流式全局观”。这不仅是技术上的迭代，更是对文档智能处理（IDP）市场的降维打击。在长文本竞赛从“窗口长度”转向“处理质量”的下半场，百度通过优化底层解析逻辑，试图重新定义企业级 AI 应用的性能标杆。 行动建议 企业开发者应密切关注该技术的开源动向或百度智能云的 API 集成计划。特别是涉及法律合规、医疗病历及金融审计等高精度长文档处理的场景，建议优先考虑从传统的 LangChain 简单切片模式转向此类全局解析方案，以解决 RAG 系统中常见的“幻觉”和“召回不全”问题。

核心摘要 百度推出 Unlimited OCR，这是一种创新的单次长程（Long-Horizon）文档解析方法，通过引入流式处理机制，实现了在单次前向传播中处理任意长度的文档，彻底解决了传统 OCR 在处理超长 PDF 时面临的显存限制与跨页上下文断裂问题。 ▶ 流式架构突破显存壁垒： 不同于传统的按页或固定窗口切分，Unlimited OCR 采用流式机制，使模型能够以恒定的内存开销处理无限长度的文档序列。 ▶ 全局上下文连贯性： 通过单次前向传播保持了文档语义的完整性，有效避免了分块处理导致的表格断裂、段落截断等 RAG 系统常见的“数据噪音”。 ▶ 端到端效率飞跃： 实验证明该方法在保持高精度的同时，显著提升了长文档的解析吞吐量，为构建高质量大规模语料库提供了工业级工具。 八卦洞察 在生成式 AI 领域，业界往往过度关注大模型的上下文窗口（Context Window），却忽略了“输入端”的质量瓶颈。传统的 OCR 技术本质上是将文档视为图像序列，这种“碎片化”的处理方式是导致 RAG（检索增强生成）系统产生幻觉的元凶之一。百度此次开源的 Unlimited OCR 将文档解析从“视觉识别任务”转向了“序列建模任务”。其核心价值不在于识别文字，而在于重塑了长文档的结构化逻辑。对于金融审计、法律合规等极度依赖长程逻辑的行业，这种“一气呵成”的解析能力是实现真正自动化办公的基石。 行动建议 对于正在构建企业级 RAG 应用的技术团队，建议立即评估 Unlimited OCR 在处理复杂长文档（如财报、技术手册）时的表现，以替代现有的分块 OCR 方案。开发者应重点关注其流式推理接口，探索如何将其集成到现有的向量数据库预处理流水线中，从而提升索引阶段的数据质量。