Baidu ha abierto recientemente un nuevo proyecto de modelo grande de OCR Ilimitado-OCR。El proyecto está posicionado como "Análisis de largo horizonte de un solo disparo (One-shot Long-Horizon Parsing)El objetivo es romper los cuellos de botella de rendimiento de la OCR tradicional en el procesamiento de documentos largos, permitiendo que los modelos puedan comprender docenas de páginas o incluso más de documentos de forma continua como lo hacen los humanos. El código del proyecto, los pesos del modelo y el informe técnico se han hecho públicos.
Dirección del proyecto:GitHub - Baidu / Unlimited-OCR
I. Limitaciones de la OCR tradicional: el procesamiento de documentos largos siempre ha sido un problema difícil.
La tecnología OCR (Optical Character Recognition, reconocimiento óptico de caracteres) se ha utilizado ampliamente en:
- Documento PDF digitalizado
- Gestión de archivos corporativos
- Identificación de facturas y contratos
- Análisis de tesis
- Tabla de extracción
- Base de conocimiento inteligente
Los sistemas tradicionales de OCR suelen emplearProcesamiento a nivel de página» Modo:
- Dividir el PDF en una sola página de imágenes;
- Detección de texto para cada página;
- reconocer el contenido del texto;
- Los resultados se juntan manualmente o programáticamente.
Esta manera de enfrentar docenas de páginas, cientos de documentos, aparecerá un problema obvio:
- Pérdida de contexto entre las páginas;
- La estructura de la tabla es fácil de romper;
- La velocidad de generación de textos largos disminuye;
- La ocupación de la memoria visual aumenta con la longitud de la salida.
Especialmente en el sistema OCR basado en el modelo de lenguaje grande (LLM), la caché KV (caché de valor clave) crecerá a medida que el texto generado se hace más largo, lo que resulta en una disminución de la velocidad de razonamiento y un aumento de la presión de memoria. Unlimited-OCR propone una nueva solución a este problema.
¿Qué es unlimited-OCR?
Unlimited-OCR es un sistema de OCR de extremo a extremo basado en el modelo de lenguaje visual.
No se trata simplemente de "reconocer el texto en la imagen", sino de lograr:
Introducir todo el documento → Modelo de una sola comprensión → Producir contenido estructurado completo
En comparación con el OCR tradicional, está más cerca de la "comprensión de lectura".
Apoya a:
- Imágenes OCR
- Análisis de documentos multi-páginas
- Procesamiento de documentos PDF
- Tabla de comprensión
- Análisis de documento Layout
- Generación continua de textos largos
Oficialmente lo definen como
Bienvenido a la era del análisis de horizonte largo de un disparo.
Es decir, la llegada de la "era de análisis de larga distancia ".
Atención de ventana deslizante de referencia (R-SWA)
La mayor innovación tecnológica de Unlimited-OCR es la propuesta de un nuevo mecanismo de atención:
Atención a la ventana corredera (R-SWA)
Al generar texto crecido, el transformador tradicional:
输入内容
↓
生成第1个Token
↓
生成第2个Token
↓
……
↓
生成第N个Token
Cada vez que se genera un nuevo Token, es necesario prestar atención a todos los Tokens anteriores.
A medida que el texto crece:
- El KV Cache es cada vez más grande;
- El razonamiento es cada vez más lento.
- El consumo de memoria continua aumentando.
El R-SWA de Unlimited-OCR está optimizado para:
- Conservar la entrada visual como referencia a largo plazo;
- Adoptando una ventana deslizante para el texto que se ha generado;
- La longitud de la caché de KV se controla para mantenerse estable.
Simples de entender:
Modelos tradicionales:
"Cada vez que escribe una frase, recuerda todo el artículo ".
Unlimited-OCR:
"Retener la memoria visual clave y centrarse únicamente en el contexto actual ".
Este diseño permite al modelo procesar documentos más largos sin disminuir significativamente la eficiencia con la longitud de la salida.
Escala del modelo y características de rendimiento
El tamaño de los parámetros del modelo Unlimited-OCR es aproximadamente de 3 mil millones de parámetros (3B)El modelo de lenguaje visual se utiliza. Los archivos del modelo se publican como código abierto y bajo la licencia MIT, facilitando la investigación y las aplicaciones comerciales.
Sus características principales incluyen:
1. Análisis de documentos largos en una vez
Capacidades básicas de Unlimited-OCR:
- Procesar docenas de páginas de documentos con un pase de avance;
- Evite el proceso de procesamiento de paginación OCR tradicional;
- Mantener el contexto de documentos largos consistente.
El informe técnico señala que el método es capaz de analizar docenas de páginas de documentos bajo límites de longitud estándar, manteniendo una caché KV estable. (arXiv)
2. Mejor comprensión de la estructura del documento
OCR común:
图片
↓
文字
Unlimited-OCR:
图片
↓
文字 + 布局 + 表格 + 语义关系
↓
结构化输出
Por ejemplo:
Ingresos:
年度财务报告 PDF
La salida puede entenderse:
- Título jerárquico
- Relación de tabla
- Estructura del párrafo
- Asociación de páginas
Esto es muy importante para la base de conocimiento empresarial, el sistema RAG.
3. Soporte ecológico de código abierto
Unlimited-OCR ya admite varios modos de funcionamiento:
- Transformadores de cara
- Raciocinio de VLLM
- Servicios de despliegue de SGLang
- Plataforma de modelos ModelScope
El README oficial proporciona formas de cargar basadas en Transformers, como:
from transformers import pipeline
pipe = pipeline(
"image-text-to-text",
model="baidu/Unlimited-OCR",
trust_remote_code=True
)
V. Unlimited-OCR vs. OCR tradicional
| Proyectos | El OCR tradicional | Ilimitado-OCR |
|---|---|---|
| Modo de entrada | Imagen de una sola página | Documento largo |
| Modo de manejo | Página dividida | Análisis primario |
| Contexto | Nivel de página | Nivel de documento |
| Tabla de comprensión | más débil | Más fuerte |
| Generación de texto largo | Más largo y más lento | KV Cache estable |
| 技术路线 | OCR Pipeline | 视觉语言模型 |
| 适合场景 | 简单文字提取 | 企业级文档理解 |
六、应用场景
1. 企业知识库建设
企业通常拥有大量：
- El contrato
- 制度文件
- 产品手册
- 技术资料
Unlimited-OCR 可以帮助：
PDF → Markdown → 向量数据库 → AI问答
成为企业 RAG 系统的重要入口。
2. 学术论文解析
科研人员每天需要阅读：
- 论文 PDF
- 实验报告
- 数据表格
Unlimited-OCR 可以减少：
- 手动复制；
- 表格整理；
- 文献转换。
3. 金融与法律行业
金融、法律文件通常：
- 页数多；
- 格式复杂；
- 表格密集。
长文档 OCR 能明显提升：
- 合同审核；
- 风险分析；
- 案件资料整理。
4. 智能办公助手
未来办公 AI 可以直接：
Subida:
100页项目报告.pdf
然后询问：
总结第三季度风险
AI 能基于完整文档回答，而不是只读取某一页。
七、安装与使用体验
官方提供基于 Python 的推理方式。
基本环境：
- Python
- El PyTorch
- Transformers
- NVIDIA GPU 环境
Ejemplo:
git clone https://github.com/baidu/Unlimited-OCR.git
cd Unlimited-OCR
pip install -r requirements.txt
然后加载模型：
from transformers import AutoModel
model = AutoModel.from_pretrained(
"baidu/Unlimited-OCR",
trust_remote_code=True,
device_map="auto"
)
Significado futuro: OCR está pasando de la "alfabetización " a la" comprensión "
Objetivos del pasado OCR:
"Reconoce el texto en la imagen ".
Objetivos futuros de la OCR:
"Comprender la información expresada en todo el documento ".
Unlimited-OCR es una tendencia:
OCR + modelo de lenguaje grande + comprensión de documentos
Se está convirtiendo en una competencia fundamental para la próxima generación de oficina inteligente, gestión del conocimiento y agentes de IA.
El OCR convencional es el "cerebro del escáner ".
Y Unlimited-OCR es más como:
Un experto en documentación de IA capaz de leer, comprender y organizar materiales.
Con el desarrollo del modelo de contexto largo, la IA puede convertirse en la capacidad estándar para procesar decenas de páginas, cientos de páginas e incluso un conjunto completo de datos empresariales en el futuro.
Resumen
Baidu Unlimited-OCR resuelve el cuello de botella de eficiencia existente durante mucho tiempo en OCR de documentos largos a través del innovador mecanismo de atención R-SWA, logrando la "resolución de largo alcance de una sola vez".
Su importante valor no solo mejora la precisión del reconocimiento de texto, sino que también impulsa la OCR desde:
Herramienta de reconocimiento de texto → Agente de comprensión de documentos
esta transformación.
Unlimited-OCR podría convertirse en un importante proyecto de código abierto a nivel de infraestructura en el futuro para los campos de Agentes de Inteligencia Artificial, Base de Conocimiento Empresarial, Oficina Inteligente y Procesamiento Automatizado de Documentación.