百度开源 Unlimited OCR：3B 端到端 OCR 模型，5 天 Star 破万，长文档一次性解析

OCR 这条赛道，最近突然又热了起来。

百度正式发布并开源端到端 OCR 模型 Unlimited OCR。这个模型面向书籍、论文、报告、扫描件等长文档解析场景，核心卖点是：不再依赖传统的“逐页解析 + 结果拼接”，而是让模型在一次前向推理中连续解析数十页文档，并输出结构化 Markdown 内容。官方论文显示，Unlimited OCR 以 DeepSeek OCR 为基础，引入 Reference Sliding Window Attention（R-SWA）机制，在标准 32K 最大长度下可转录数十页文档。

更关键的是，它开源后热度非常快。GitHub 页面显示，百度 Unlimited OCR 项目当前已经达到约 13k Star，媒体报道中也提到，该项目开源后 5 天 GitHub Star 突破 1 万，并登上 GitHub 与 HuggingFace 多个趋势榜。

Unlimited OCR 是什么？

Unlimited OCR 是百度开源的端到端 OCR 模型，主要解决长文档解析问题。

过去很多 OCR 系统处理长 PDF、扫描书籍、论文报告时，通常会先把文档拆成一页一页，再分别识别，最后把结果拼接起来。这个方法能用，但问题也很明显：工程流程复杂、上下文割裂、跨页内容容易不连贯，遇到超长输出时，推理速度和显存占用也会受到影响。

Unlimited OCR 的思路更直接：
把长文档当成一个连续解析任务，让模型一次性从第一页读到最后一页。

根据 ModelScope 社区披露的信息，Unlimited OCR 总参数规模为 3B，推理时激活参数约 570M，采用 MoE 架构，并结合 DeepSeek OCR 的高压缩视觉编码能力，用更小的激活参数完成长文档识别与结构还原。

为什么 Unlimited OCR 会突然火？

这次 Unlimited OCR 火起来，主要有三个原因。

第一，开源速度快，开发者关注度高。
项目上线后不久就冲上 GitHub 热榜，5 天 Star 破万，当前 GitHub Star 已经来到约 13k。对于一个 OCR 模型来说，这个增长速度非常少见。

第二，它解决的是刚需场景。
长文档解析一直是 OCR 的难点。书籍、合同、财报、论文、扫描资料、历史档案、企业知识库文档，这些内容都不只是“识别文字”，还需要保留段落、标题、表格、公式、版面结构和上下文连续性。

第三，模型不只是拼速度，还在结构上做了针对性优化。
Unlimited OCR 提出的 R-SWA 机制，可以让模型始终关注原始视觉输入，同时只保留最近一段输出内容作为工作记忆，从而把 KV Cache 控制在恒定规模。

核心技术：Reference Sliding Window Attention

Unlimited OCR 最重要的技术点，是 Reference Sliding Window Attention，简称 R-SWA。

简单理解，它把注意力分成两部分：

一部分是“参考内容”，也就是图像 Token 和提示词，模型始终可以完整看到。
另一部分是“生成内容”，也就是已经输出的文本，模型只保留最近一段窗口，默认窗口为 128 个 Token。论文中明确提到，每个生成 Token 会关注全部参考 Token，同时只关注前面最近的 n 个输出 Token，从而保持恒定 KV Cache。

这个设计很适合 OCR。

因为 OCR 的原始文档图像是固定的，模型在解析时最重要的是持续看清文档内容，而不是无限记住所有已经输出过的文字。R-SWA 的作用，就是让模型像人一样“看着原文抄写”：原文一直可见，短期上下文保持，历史输出不无限堆积。

这样带来的好处很明显：

长文档输出时，KV Cache 不再持续膨胀
显存占用更稳定
输出越长，速度优势越明显
可以减少逐页解析和拼接带来的工程复杂度
更适合书籍、论文、报告等连续文档解析任务

长文档一次性解析：从逐页识别到连续阅读

Unlimited OCR 的重点不是只识别单页图片，而是面向长程解析。

ModelScope 社区文章中提到，Unlimited OCR 可以输入数十页 PDF 文档图像，在一次前向传播中从第一页连续解析到最后一页，并输出 Markdown 格式结构化内容，且 KV Cache 始终保持恒定。

这对于文档数字化非常实用。

比如一份 40 页的企业报告，过去可能要先切页、识别、拼接、校对，再处理标题层级、表格结构和跨页语义。Unlimited OCR 这类端到端模型，则尝试把这些步骤放进一个连续生成流程里，让最终结果更接近“整篇文档被读懂后输出”。

适合的场景包括：

论文解析：识别标题、摘要、正文、公式、图表说明和参考文献。
财报解析：提取章节、表格、注释、财务数据和说明文字。
合同解析：识别条款、编号、签署信息、附件内容。
扫描书籍解析：把多页扫描图片转成结构化文本。
知识库构建：把 PDF、报告、手册转成可检索、可喂给大模型的 Markdown 内容。
企业文档归档：将历史纸质资料转成数字化结构数据。

OmniDocBench v1.6：综合成绩 93.92%

性能方面，Unlimited OCR 在公开评测中表现很亮眼。

ModelScope 社区披露的结果显示，Unlimited OCR 在 OmniDocBench v1.6 基准测试中取得 93.92% 综合得分，在同类端到端 OCR 模型中位居前列。对比表中，Qianfan-OCR 为 93.90%，Logics-Parsing-v2 为 93.33%，FireRed-OCR 为 93.26%，DeepSeek-OCR 2 为 90.25%。

同时，ModelScope 文章还提到，相比 DeepSeek OCR 基线，Unlimited OCR 综合得分提升 6.22%，文本编辑距离下降 0.035，表格结构还原准确率提升接近 6%。

这说明它不是只做长文档速度优化，而是在识别质量、结构还原和端到端输出上也保持了较强水平。

推理速度更快：真实文档场景提升约 12.7%

速度也是 Unlimited OCR 的核心卖点。

公开测试数据显示，在 OmniDocBench 真实文档评测中，Unlimited OCR 吞吐量为 5580 TPS，DeepSeek OCR 为 4951 TPS，速度提升约 12.7%。在更长输出场景下，优势会继续放大：输出长度达到 6144 tokens 时，Unlimited OCR 相比 DeepSeek OCR 的速度差距扩大到约 34.8%。

这背后还是 R-SWA 的作用。

普通注意力机制在输出越来越长时，KV Cache 会不断增加，模型需要维护越来越多历史信息；而 Unlimited OCR 把文本侧上下文控制在固定窗口内，所以越到长输出场景，速度和显存优势越明显。

这对实际应用非常关键。
因为真实业务里的文档往往不是几百字，而是几十页、几万字，甚至更多。长输出下还能保持速度稳定，才是真正能进入生产流程的能力。