截至 10 月 28 日的公开信息，百度在 10 月 27 日发布并开源文心 Unlimited OCR 2，把 OCR 的可处理页数从数十页推到任意页数，实测一次性解析《哈利·波特》全系列 7 部、累计超过 3600 页，官方称之为从 OCR 2.0 迈向 OCR 3.0 的整本理解。据百度公布的公开基准，面向多页文档的 MPDocBench 与百页级超长文档的 MarathonDocBench 综合得分分别为 84.6 和 77.1，端到端达到 SOTA。对做 GEO 的团队，这项能力的意义不在 OCR 本身，而在它改变了什么样的内容能被 AI 完整读取：当一份上百页的白皮书可以被整本解析，长文档重新成为可被引用的资产，而不是被切成碎片后失去上下文的素材。
3600 页一次读完 长文档重新变成可引用资产
过去 AI 读文档的方式是切片：把一份长文档按页或按段切开，分别向量化，检索时再拼回来。切片带来的问题是上下文断裂——跨页的表格、前后呼应的结论、附录里的口径说明，都会在切片中丢失。AI 回答因此容易给出局部正确、整体偏颇的描述。
整本解析改变了这个前提。当模型能一次读完 3600 页并保持跨页的位置关系，文档的结构信息被保留下来，AI 抽取时可以引用完整的论证链条，而不只是某一页的某一段。对品牌的白皮书、产品手册、检测报告这类长文档，这直接决定了它们能否成为高质量的引用来源。
解码快 7 倍意味着什么
官方披露的技术方案是 SR-SWA 稀疏参考滑动窗口注意力，思路接近人抄书：大部分时间只看当前页，需要核对前文时才回看相关页面。据官方报告，百页文档场景下单步解码速度相比全注意力提升 7 倍，相比上一代方案提升 5.6 倍。
速度的意义不只是省钱。抓取方在决定是否深入解析一份文档时，成本是硬约束。解析一份 300 页的研报如果需要几分钟和大量显存，很多抓取任务会直接跳过；成本降下来之后，长文档被完整读取的概率上升，被引用的机会也随之上升。这是供给侧的算术，不是内容质量的争论。
白皮书为什么比十条短图文更容易被引用
短图文的问题是信息密度低。十条讲同一个观点的短文，在向量检索里会互相竞争，AI 无法判断哪一条更权威，最终可能一条都不引用，或者引用一条最不典型的。长文档则相反：一份把方法、数据、口径、边界都写清楚的白皮书，本身就是可核验的证据链，抽取方从中能拿到完整的引用依据。
这也是为什么很多品牌的内容量很大、可见度却不高。内容以营销短文为主，缺少可核验的长文档支撑，AI 在生成回答时找不到足够具体的依据，只能给出模糊描述，或者转而引用第三方媒体。第三方媒体的描述未必准确，但它是可核验的，这就是差距所在。
需要说明的是，长不等于好。把十篇短文拼成一本册子，信息密度没有提升，反而更难抽取。真正有价值的长文档有明确的结构、可追溯的数据、以及清晰的适用范围，这三样缺一不可。
长文档进入引用池的三个条件
整本可读只是门槛，能不能被引用还要看文档本身是否对机器友好。实践中可用的判断标准有三个，都跟写作规范有关，跟技术无关。
| 条件 | 具体要求 | 缺失后果 |
|---|---|---|
| 结构可识别 | 标题层级清晰、章节编号连续 | 抽取粒度混乱，引用错位 |
| 数据可追溯 | 每个数字标注来源与统计口径 | 无法核验，被判定为低置信 |
| 结论有边界 | 写明适用范围与前提条件 | 被过度泛化，产生描述偏差 |
三个条件里，结构可识别最容易被忽略。很多白皮书用设计软件排版，标题是图片或艺术字，导出后没有语义层级，机器读到的是一整片连续文本。这类文档即使被完整解析，抽取方也无法判断哪一段是结论、哪一段是附录，引用时只能大段摘抄，反而降低可信度。
数据可追溯是第二个硬门槛。AI 回答在引用数字时，倾向于选择带来源和口径的表述。同一份报告里，写明月度、样本量、统计范围的数字被引用的概率，明显高于只给一个孤立数值的表述。这不是玄学，是可核验性的直接体现。
标题层级决定抽取粒度
标题层级的作用是告诉抽取方「这一段在讲什么层级的结论」。一级标题对应整体判断，二级标题对应分项论证，三级标题对应具体数据。层级清晰，AI 可以按需抽取到合适的粒度；层级混乱，抽取方只能整段搬运，引用会显得冗长且不聚焦。
对做 GEO 的团队，这意味着排版规范不是审美问题，而是可引用性问题。把结论写成一句话的小标题，比把它埋在三段论述的中间更容易被引用。这个改动成本极低，但很多品牌的内容团队从未按这个标准检查过自己的白皮书。
从内容形态到监测口径
内容形态变了，监测口径也要跟着变。过去看引用来源，统计的是域名和页面数量；当长文档成为主要引用对象时，需要进一步看被引用的是文档的哪一部分、引用的深度如何。同一份白皮书被引用一次结论和被引用十次具体数据，代表的可见度质量完全不同。
可操作的指标是引用深度：回答里引用的内容属于文档的结论层、论证层还是数据层。结论层被引用说明品牌判断被采纳，数据层被引用说明品牌数据被当作事实依据，两者对业务的价值不一样。把引用深度纳入监测，才能判断内容投入是否真的转化成了 AI 回答里的权重。
另一个口径是跨平台一致性。同一份长文档在不同 AI 平台的抽取结果可能不同，有的平台抽到了最新版本，有的还在用旧版本。这种差异在短内容上不明显，在长文档上会被放大，因为长文档的版本更新往往伴随数据修订。监测时必须记录版本，否则数据无法比较。
常见问题
OCR 能力提升和品牌在 AI 回答里的可见度有什么关系？
关系在供给侧。长文档能被整本解析，白皮书、手册、检测报告才有机会成为可核验的引用来源。内容能不能被完整读取，决定了它能不能进入引用池。
长文档一定比短图文更容易被引用吗？
不一定。长而散的内容反而更难抽取。真正有优势的是结构清晰、数据可追溯、结论有边界的长文档，三个条件缺一个，长度就变成负担。
为什么强调标题层级？
层级决定抽取粒度。层级清晰，AI 可以按需抽到结论层或数据层；层级混乱，抽取方只能整段搬运，引用显得冗长，可信度也会下降。
基准分数能直接说明能力高低吗？
不能。MPDocBench 84.6 与 MarathonDocBench 77.1 是百度公布的公开基准，属厂商自跑自发，实际能力还要看社区复现与落地案例，极端长文档的精度衰减仍待实测。
