百度近日开源了全新的 OCR 大模型项目 Unlimited-OCR。该项目定位为“One-shot Long-horizon Parsing（一次性长程解析）”，目标是突破传统 OCR 在长文档处理中的性能瓶颈，让模型能够像人类阅读一样连续理解几十页甚至更长的文档内容。项目代码、模型权重以及技术报告均已公开。

项目地址：GitHub – baidu/Unlimited-OCR

---

一、传统 OCR 的局限：长文档处理一直是难题

OCR（Optical Character Recognition，光学字符识别）技术已经广泛应用于：

• PDF 文档数字化
• 企业档案管理
• 发票与合同识别
• 论文解析
• 表格提取
• 智能知识库建设

但传统 OCR 系统通常采用“页面级处理”方式：

1. 将 PDF 拆分成单页图片；
2. 对每页进行文字检测；
3. 识别文字内容；
4. 再人工或程序拼接结果。

这种方式面对几十页、几百页文档时，会出现明显问题：

• 页面之间上下文丢失；
• 表格结构容易破坏；
• 长文本生成速度下降；
• 显存占用随着输出长度增加。

尤其是在基于大语言模型（LLM）的 OCR 系统中，随着生成文本越来越长，KV Cache（键值缓存）会不断增长，导致推理速度下降和显存压力增加。Unlimited-OCR 正是针对这一问题提出新的解决方案。

---

二、Unlimited-OCR 是什么？

Unlimited-OCR 是一个基于视觉语言模型（Vision-Language Model）的端到端 OCR 系统。

它并不是简单地“识别图片里的文字”，而是希望实现：

输入整份文档 → 模型一次理解 → 输出完整结构化内容

相比传统 OCR，它更接近“阅读理解”。

它支持：

• 图片 OCR
• 多页文档解析
• PDF 文档处理
• 表格理解
• 文档布局分析
• 长文本连续生成

官方将其定义为：

Welcome the Era of One-shot Long-horizon Parsing.

即“一次性长程解析时代”的到来。

---

三、核心技术：Reference Sliding Window Attention（R-SWA）

Unlimited-OCR 最大的技术创新是提出了一种新的注意力机制：

Reference Sliding Window Attention（R-SWA）

传统 Transformer 在生成长文本时：

输入内容
 ↓
生成第1个Token
 ↓
生成第2个Token
 ↓
……
 ↓
生成第N个Token

每生成一个新的 Token，都需要关注之前所有 Token。

随着文本增长：

• KV Cache 越来越大；
• 推理速度越来越慢；
• 显存消耗持续增加。

Unlimited-OCR 的 R-SWA 进行了优化：

• 保留视觉输入作为长期参考；
• 对已经生成的文本采用滑动窗口关注；
• 控制 KV Cache 长度保持稳定。

简单理解：

传统模型：

“每写一句话，都重新回忆整篇文章。”

Unlimited-OCR：

“保留关键视觉记忆，只关注当前上下文。”

这种设计让模型能够处理更长文档，而不会随着输出长度显著降低效率。

---

四、模型规模与性能特点

Unlimited-OCR 模型参数规模约为 30 亿参数（3B），采用视觉语言模型架构。模型文件以开源形式发布，并采用 MIT License，方便研究和商业应用。

其主要特点包括：

1. 超长文档一次解析

Unlimited-OCR 的核心能力：

• 一次 Forward Pass 处理几十页文档；
• 避免传统 OCR 分页处理流程；
• 保持长文档上下文一致。

技术报告指出，该方法能够在标准长度限制下解析几十页文档，同时保持稳定的 KV Cache。(arXiv)

---

2. 更强的文档结构理解能力

普通 OCR：

图片
 ↓
文字

Unlimited-OCR：

图片
 ↓
文字 + 布局 + 表格 + 语义关系
 ↓
结构化输出

例如：

输入：

年度财务报告 PDF

输出可以理解：

• 标题层级
• 表格关系
• 段落结构
• 页码关联

这对于企业知识库、RAG 系统非常重要。

---

3. 开源生态支持

Unlimited-OCR 已支持多种运行方式：

• Hugging Face Transformers
• vLLM 推理
• SGLang 服务部署
• ModelScope 模型平台

官方 README 提供了基于 Transformers 的加载方式，例如：

from transformers import pipeline

pipe = pipeline(
    "image-text-to-text",
    model="baidu/Unlimited-OCR",
    trust_remote_code=True
)

(Hugging Face)

---

五、Unlimited-OCR 与传统 OCR 对比

项目	传统 OCR	Unlimited-OCR
输入方式	单页图片	长文档
处理方式	页面拆分	一次解析
上下文	页面级	文档级
表格理解	较弱	更强
长文本生成	越长越慢	KV Cache稳定
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：

• 合同
• 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：

上传：

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
• PyTorch
• Transformers
• NVIDIA GPU 环境

示例：

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"
)

八、未来意义：OCR 正从“识字”走向“理解”

过去 OCR 的目标：

“把图片里的文字识别出来。”

未来 OCR 的目标：

“理解整个文档表达的信息。”

Unlimited-OCR 代表了一种趋势：

OCR + 大语言模型 + 文档理解

正在成为下一代智能办公、知识管理和 AI Agent 的基础能力。

传统 OCR 是“扫描仪的大脑”。

而 Unlimited-OCR 更像：

一个能够阅读、理解并整理资料的 AI 文档专家。

随着长上下文模型的发展，未来 AI 处理几十页、几百页甚至整套企业资料，将可能成为标准能力。

---

总结

百度 Unlimited-OCR 通过创新的 R-SWA 注意力机制，解决了长文档 OCR 中长期存在的效率瓶颈，实现了“一次性长程解析”。

它的重要价值不只是提高文字识别准确率，而是推动 OCR 从：

文字识别工具 → 文档理解智能体

这一转变。

对于 AI Agent、企业知识库、智能办公和自动化文档处理领域来说，Unlimited-OCR 可能成为未来基础设施级别的重要开源项目。