# Unlimited-OCR – 百度开源的端到端长文档 OCR 模型 - Link: https://paooo.com/aigc-news/24225/ - Published: 2026-07-07T13:55:12+08:00 - Author: 站外新闻 ## Unlimited-OCR是什么 Unlimited-OCR 是百度推出的端到端长文档 OCR 模型，通过 Reference Sliding Window Attention 机制将解码器 KV cache 从线性增长压缩为常数，实现单次前向转录数十页文档。模型基于 3B 总参 MoE 架构，在 OmniDocBench v1.6 上以 93.92% 总分取得端到端 SOTA，推理速度 达 5580 TPS，代码与权重已全面开源。 阅读目录 * [Unlimited-OCR是什么](https://paooo.com/aigc-news/24225/#unlimitedocr%e6%98%af%e4%bb%80%e4%b9%88) * [Unlimited-OCR的主要功能](https://paooo.com/aigc-news/24225/#unlimitedocr%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd) * [Unlimited-OCR的技术原理](https://paooo.com/aigc-news/24225/#unlimitedocr%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86) * [如何使用Unlimited-OCR](https://paooo.com/aigc-news/24225/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8unlimitedocr) * [Unlimited-OCR的核心优势](https://paooo.com/aigc-news/24225/#unlimitedocr%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf) * [Unlimited-OCR的项目地址](https://paooo.com/aigc-news/24225/#unlimitedocr%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80) * [Unlimited-OCR的同类竞品对比](https://paooo.com/aigc-news/24225/#unlimitedocr%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94) * [Unlimited-OCR的应用场景](https://paooo.com/aigc-news/24225/#unlimitedocr%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af) ![Unlimited-OCR](https://paooo.com/wp-content/uploads/2026/07/Unlimited-OCR-website- 1.avif) ## Unlimited-OCR的主要功能 * **超长文档一次识别**：支持 2 页至 40+ 页 PDF 文档的单次前向转录，无需逐页 for 循环处理。 * **多类型文档解析**：覆盖 PPT、学术论文、书籍、彩色教材、试卷、杂志、报纸、笔记、 研究报告等 9 类版式。 * **高精度内容提取**：文本、公式、表格、阅读顺序全链路端到端输出，公式 CDM 达 95.79%， 表格 TEDS 达 93.32%。 * **双分辨率视觉编码**：Base 模式 1024×1024 用于多页长文档，Gundam 模式动态分辨 率用于单页高精度识别。 * **常数延迟推理**：无论输出序列多长，KV cache 恒定为 m+n，推理延迟与显存占用保持 水平稳定。 ## Unlimited-OCR的技术原理 * **R-SWA 注意力机制**：每个生成 token 仅关注全部参考 token（视觉+提示词）和最近 128 个输出 token，视觉 token 被排除在滑动窗口状态转移之外，避免长程生成中视觉 特征被逐步糊化。 * **常数 KV Cache 设计**：将 KV cache 实现为容量 m+n 的队列，每生成一个新 token 即淘汰第 (m+1) 个 token，计算成本与内存占用不随序列长度递增。 * **DeepEncoder 视觉编码**：沿用 SAM-ViT 级联 CLIP-ViT 架构，通过 bridge 层做 16 倍 token 压缩，1024×1024 图像压缩为 256 个视觉 token，编码一次后冻结。 * **MoE-LLM 解码器**：3B 总参、500M 激活的 MoE 架构，全部注意力层替换为 R-SWA， 基于 DeepSeek-OCR checkpoint 续训 4000 步，全局 batch 256，最大序列 32K。 * **推理引擎优化**：在 Transformers 与 SGLang 中均实现常数 TPS 与常数显存的 KV cache 管理，Flash Attention v3 内核下 per-call 延迟全程水平。 ![挖挖GitHub](https://paooo.com/wp-content/uploads/2026/07/wawagithub-37.avif) 微信关注回复 “**开源**”，加入**AI开源项目交流群** ## 如何使用Unlimited-OCR * **模型下载**：通过 Hugging Face `baidu/Unlimited-OCR` 或 GitHub `baidu/Unlimited- OCR` 获取代码与权重。 * **环境准备**：支持 Transformers 库与 SGLang 推理引擎，需配置对应 GPU 环境。 * **输入格式**：支持 PDF 页面图像输入，Base 模式用于多页长文档，Gundam 模式用于 单页高分辨率识别。 * **推理调用**：单次前向即可完成整本/整份文档的 OCR 转录，无需外部调度器分页处理。 * **扩展应用**：R-SWA 机制可迁移至 ASR、翻译、字幕生成等长输出任务。 ## Unlimited-OCR的核心优势 * **SOTA 识别精度**：OmniDocBench v1.5 总分 93.23%，v1.6 总分 93.92% 端到端第一。 * **常数资源占用**：KV cache 不随文档页数增长，20 页、40+ 页长文档显存与延迟保持 稳定。 * **速度随长度放大**：输出越长优势越明显，6144 token 时理论 TPS 上限较 DeepSeek- OCR 领先约 35%。 * **通用解码架构**：R-SWA 非 OCR 专属 trick，适用于任何”参考源+长输出”的生成任务。 * **轻量开源**：3B 总参、500M 激活，模型与代码已开源，便于部署与二次开发。 ## Unlimited-OCR的项目地址 * **GitHub仓库**：https://github.com/baidu/Unlimited-OCR * **HuggingFace模型库**：https://github.com/baidu/Unlimited-OCR ## Unlimited-OCR的同类竞品对比 | 维度 | Unlimited-OCR | [DeepSeek-OCR](https://ai-bot.cn/deepseek-ocr/) | | **模型规模** | 3B-A0.5B (MoE) | 3B-A0.5B (MoE) | | **注意力机制** | R-SWA（参考滑动窗口注意力） | 标准全注意力 | | **KV Cache 增长** | 常数（m+n），不随序列长度增加 | 线性增长，随输出序列持续累积 | | **OmniDocBench v1.5 总分** | **93.23%** | 87.01% | | **OmniDocBench v1.6 总分** | **93.92%** | 90.25%（DeepSeek-OCR 2） | | **文本编辑距离** | 0.038 | 0.073 | | **公式 CDM** | 92.61% | 83.37% | | **表格 TEDS** | 90.93% | 84.97% | | **阅读顺序编辑距离** | 0.045 | 0.086 | | **推理速度** | 5580 TPS，全程常数延迟 | 4951 TPS，延迟随长度递增 | | **长文档支持** | 单次前向 40+ 页，无需分页 | 长序列受限于 KV cache 膨胀，需分页处理 | | **训练基础** | 基于 DeepSeek-OCR checkpoint 续训 4000 步 | 基座模型 | ## Unlimited-OCR的应用场景 * **企业档案数字化**：批量处理成百上千页扫描版 PDF、古籍、合订本，无需拆分即可一次 性结构化提取。 * **学术文献解析**：整本论文、期刊合辑、研究报告的端到端转录，保留公式、表格与阅读 顺序。 * **教育试卷批改**：多页试卷、练习册的批量识别，支持彩色教材与复杂版式。 * **法律合同审核**：长篇幅合同文本的精准 OCR 提取，用于后续 NLP 分析与合规审查。 * **多语言翻译流水线**：作为 R-SWA 通用解码方案的验证场景，可扩展至 ASR、字幕生成 等长序列任务。