一、发生了什么：48 小时内，两家把"长文档显存"摊开讲
2026 年 10 月 27 日，百度发布并开源 Unlimited OCR Works 2（文心 Unlimited OCR 2）。GitHub 仓库 baidu/Unlimited-OCR 的 Release 记录写明「2026/10/27 We release Unlimited OCR 2」，权重同步上到 Hugging Face，代码仓截至当日抓取为 2.89 万 star、MIT 许可。
量子位 10 月 27 日的报道给了三组关键数字：百页级单序列测试中，峰值 KV 缓存从标准解码的 47GB 降到 1.77GB，降幅约 96%；16 路并发下端到端吞吐从 360 词元/秒提升到 1315 词元/秒，约 3.65 倍；单步解码速度分别是全注意力的 7.0 倍、上一代所用参考滑动窗口注意力（R-SWA）的 5.6 倍。质量侧，MPDocBench 综合 84.59，团队自建的百页级基准 MarathonDocBench（100 份文档，每份 103--300 页）得分 77.06。演示任务是 884 页的英文版《指环王》，42 分 56 秒读完，平均每页约 2.9 秒，过程中自动标记 466 处跨页合并。
另一条线索在 10 月 26 日：量子位报道，岩山科技旗下岩芯矩阵联合香港科技大学、CMU 开源 EdgeRock-4B------256K 上下文下注意力 KV 固定 72MiB，比源模型少 99.1%，单张 80GB 卡跑 512 路并发、12124 词元/秒（6.42 倍），Apache-2.0。
两件事回答的是同一个问题：**文档或推理历史变长时，那笔显存账能不能不涨。**一个从推理调度下手，一个从记忆结构下手。
二、技术拆解：一笔账，两条路线
账先算清楚：按量子位 10 月 26 日报道，Qwen3.5-4B 每词元新增 32 KiB KV 缓存，64K 序列即 2 GiB、256K 即 8 GiB；500 条序列光 KV 就要 1 TiB。
路线 A：不动模型结构，动注意力和解码调度
OCR 2 沿用上一代 DeepEncoder + 语言模型结构，改动集中在语言模型内部：把 R-SWA 升级成稀疏参考滑动窗口注意力（SR-SWA），用两层筛选取舍"这一步该看什么"：
- **第一层 Page Gate：**根据当前解析位置，把候选视觉信息收拢到相关页面范围，无关页面不参与计算。
- **第二层 Token Sieve：**页内也只挑相关的视觉信息块------先用各块简要表示算相关性，再 TopK 取固定数量的块，然后读块内具体视觉信息，而不是只读摘要。
- **Local Window：**固定大小的局部滑动窗口随生成前移，负责顺着刚才的内容往下写。
块数固定、窗口固定，单步要参考的信息量就被框死------文档再长，这一步还是这么多活。另一半在存：无限解码机制把文档切成页面块依次解析，相邻两块重叠一页，进下一块时复用这页的视觉 KV 缓存，同时保留上段末尾的文本缓存，其余及时释放。算得少 + 存得封顶，才有 47GB→1.77GB。
路线 B：把"记忆"改成有界结构
EdgeRock-4B 走另一条路。它基于 Qwen3.5-4B 分阶段转换而来，不需要从头预训练：保留 24 个 Gated DeltaNet 层，把 8 个全注意力层换成 1024 窗口的滑动窗口注意力，外加独立的记忆模块------记忆岩锚（Rock Memory Anchors，RMA）。
每条序列的历史拆成三份：循环状态抓大意，1024 词元的局部窗口管眼前，锚点库从更早历史里留住关键。写入规则很工程化：每个词元生成候选记录并打分，每累积 256 条就与库里已有记录比较，只留得分最高的 1024 条，四个 KV 组各自独立。锚点内容不变、带来源位置，哪怕来源早已滑出局部窗口仍能读到，注意力 KV 因此固定 72MiB。
说服力在消融实验：256 段 16K--130K 词元上下文、共 1024 个问题，开着 RMA 答对 964 个（94.1%），关掉 8 个 RMA 模块只答对 4 个（0.4%）。推理能力也没牺牲------AIME 2024--2026 平均一次通过率 82.9%，对照组最强的有界状态模型只有 18.8%。
| 维度 | Unlimited OCR 2 | EdgeRock-4B |
|---|---|---|
| 改造对象 | 注意力选择 + 分块解码调度，模型结构不变 | 解码器结构 + 记忆机制，需权重转换 |
| KV 上界 | 被框在当前页面块规模内 | 固定 72MiB（256K 上下文） |
| 压缩幅度 | 47GB → 1.77GB，约 96% | 减少 99.1% |
| 吞吐 | 16 路并发 360 → 1315 词元/秒 | 单卡 512 路，12124 词元/秒 |
| 主打指标 | MarathonDocBench 77.06 | AIME 2024--26 82.9% |
| 许可 | MIT | Apache-2.0 |
三、工程上怎么用：先按内存算容量，再调旋钮
OCR 2 的 README 给了条可直接照抄的部署路径：Transformers 快速验证、SGLang 服务化，影响显存的环境变量都写了，踩坑信息在注释里。
# 长文档按页窗调度，复用上一个窗口的 KV 尾部
export SGLANG_UOCR_EANABLE_DOC_LIMIT=1
export SGLANG_UOCR_DOC_BASE_PAGE_WINDOW=10
export SGLANG_UOCR_MAX_PAGE_TOKENS=20000
# SAM 注意力偏置的分块上限，默认 512 会一次性分配约 462MiB 容易 OOM
export SGLANG_OPT_UOCR_SAM_REL_POS_BIAS_MB=64
export SGLANG_UOCR_SHM_WRAP_MODEL_DATA=1
export SGLANG_VLM_CACHE_SIZE_MB=0
export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
python -m sglang.launch_server \
--model-path baidu/Unlimited-OCR-2 \
--chat-template unlimited-ocr \
--mem-fraction-static 0.7 \
--max-running-requests 64 \
--max-prefill-tokens 2048 \
--cuda-graph-backend-decode full \
--cuda-graph-max-bs-decode 64 \
--cuda-graph-max-bs-prefill 16384 \
--cuda-graph-bs-prefill 1024 2048README 点明的几个旋钮值得记下来：
--mem-fraction-static给 0.75 在 32 路以上并发时余量不够，0.7 更稳。--max-prefill-tokens驱动一个约[tokens, context/32]的临时张量，显存随它线性涨；4096 降到 2048，峰值直接减半。- 最大的
--cuda-graph-bs-prefill桶必须等于--max-prefill-tokens：偏小会回落 eager，偏大则白占捕获显存。 - 页窗越小峰值越低，但跨窗边界的续接块会丢上下文，跨页合并质量下滑------省内存和保质量直接冲突。
容量可以自己算一遍（按公开参数推算，不是我们的跑分）：80GB 卡按 0.7 预留约 56GB，减去 4B 模型 bf16 权重约 8GB，剩约 48GB 给 KV。EdgeRock 每条序列全部历史状态 97.76MiB，48GB 约合 500 路，与技术报告的 512 路上限吻合；换成源模型每条 2GiB，只剩 24 路左右。同样一张卡，并发差一个数量级。
我们的内容流水线每天出十来条稿子，卡住的不是生成，而是把几十页 PDF 资料转成可检索文本：以前按页拆、按批提交、再拼接，返工基本都出在跨页断句和跨页表格上。OCR 2 把切块和衔接收进模型内部，外部只提交整份文档，这层手工拼接就能省掉；对做智能体和内容工程的人，这类"少一层胶水"的改进比榜单涨两分更有体感。这个方向在智能体世界（agentshijie.com）的工具选型里一直被当作硬指标。
四、读者可核对清单
- 仓库与许可：
github.com/baidu/Unlimited-OCR（MIT，Release 记录 2026/10/27）；github.com/rockmatrix-ai/EdgeRock（Apache-2.0，仓库创建于 2026-10-07）。权重分别在 Hugging Face 的baidu/Unlimited-OCR-2与rockmatrix-ai/EdgeRock。 - 技术报告：EdgeRock 中文报告在 rockmatrix.ai/documents/edgerock-report-zh.pdf，第 1 页摘要即给出 72MiB、99.1%、6.42 倍、82.9% 四个数。
- 最小验证代码：
pip install torch==2.13.0 transformers==4.52.1后AutoModel.from_pretrained("baidu/Unlimited-OCR-2", trust_remote_code=True)，多页调用model.infer_multi(..., image_files=pages)。 - 数字出处：47GB→1.77GB、1315 词元/秒、7.0×/5.6×、84.59、77.06、884 页、466 处来自量子位 2026-10-27 报道；12124 词元/秒、512 路、82.9%、18.8%、94.1%/0.4% 来自量子位 2026-10-26 报道与上述 PDF。
五、一句判断
我的判断是：长上下文竞争点已从"能不能装下"转到"每一步开销是不是常数"。对做智能体的人，上下文长度不再是架构约束，容量可按请求数规划、推理前就把内存算清------确定性比峰值数字更值钱。
#AI智能体 #大模型 #开源