OCR在长文档处理中究竟会在哪里失效？
安全边界不在于页数，而在于两个截然不同的失效点：内存耗尽与跨页连贯性丧失。标准的端到端OCR模型，例如使用大语言模型解码器的那些，在生成文本时会累积不断增长的内存缓存，导致速度下降，并在处理长文档时最终耗尽内存[3]。这是一个硬性的技术上限，而非质量问题。
另外，即使模型能够处理单页内容，它也常常会丢失跨页结构的线索——比如一段文字延续到下一页，或是一个表格横跨两页。2026年的一项研究发现，页面级OCR模型经常破坏这些结构，而修复它们需要后处理来重建文档级布局[2]。因此，实际的边界在于模型记忆耗尽之处，或是它开始扭曲跨页内容之时。
能否进一步突破边界？可以——凭借恒定内存与后处理。
扩展边界最直接的方式是重新设计模型的注意力机制，使内存保持恒定，无论文档长度如何。Unlimited OCR模型用“参考滑动窗口注意力”替代了标准注意力，该机制维持一个恒定的内存缓存，使其在标准32K token限制下，单次前向传播即可转录数十页内容[3]。这与那些随着输出增长而变慢的模型相比，是一个巨大的转变。
对于已经完成OCR但跨页结构损坏的文档，后处理模型可以将碎片重新拼接起来。MinerU-Popo作为一种轻量级后处理器，在五种不同的OCR模型上将标题层级准确率提升了至少20%，并通过动态分块处理长文档，同时保持全局一致性[2]。这意味着你可以将页面级的OCR输出转化为连贯的文档级结构，有效将边界从“页面”推进到“文档”。
但有时边界很小——比如在收据上。
边界还取决于文档类型和硬件。对于小型本地设备，比如一个15MB的日语收据OCR前端，边界要严格得多：一个包含500张硬收据的测试集，在引导拍摄和OCR模式融合后，精确匹配率从0.724提升到了0.944 [1]。这表明，即使在小型文档上，边界也取决于内容的具体挑战（例如低质量收据）以及设备的限制，而不仅仅是文档长度。
因此，安全边界是依赖于上下文的：对于超长文档，它关乎记忆与连贯性；对于短小文档，则关乎困难输入上的准确性。同样的原则——引导式捕获、模式融合和后处理——依然适用，但阈值有所不同。
关于这些来源
该回答基于3项研究（均为预印本）——发表于2026年，其中3项为2024年或之后——从3项通过质量筛选的研究中选出最具相关性的内容，这些研究源自从超过5亿篇论文数据库中检索到的42篇文献。
本文引用的文献
面向微型本地文档智能的OCR边界
对于一个小型本地OCR系统，引导式采集与OCR模式融合将500张困难小票图像的精确匹配准确率从0.724提升至0.944，这表明即使是小文档，其性能边界也由输入质量和设备约束共同决定。
MinerU-Popo：面向结构化文档解析的通用后处理模型
MinerU-Popo这一后处理模型在五种OCR模型上将标题层级准确率提升了至少20%，并采用动态分块技术，在长文档中保持全局一致性，解决了跨页结构断裂的问题。
无限OCR作品
无限OCR采用参考滑动窗口注意力机制，在解码过程中保持恒定的KV缓存，从而在32K token限制下，单次前向传播即可转录数十页内容，而标准模型则会因输出变长而逐渐变慢。