按住下方图标，点击小程序

免费领取AI学习资料、精选提示词

百度刚刚开源了一个重磅模型Unlimited OCR。

咱们平时用OCR，处理几页还行，一旦遇到几十页的长文档，速度就开始肉眼可见地变慢，最后甚至直接卡死。

而Unlimited OCR可以一口气处理40页PDF不卡顿，而且处理效率超快！

开源地址：https://huggingface.co/baidu/Unlimited-OCR

https://github.com/baidu/Unlimited-OCR

Unlimited OCR创新架构

Unlimited OCR跟我印象里的OCR完全不是一个画风。平时我们用那些识别工具，前几页还行，到后面明显感觉速度慢下来，甚至有时候直接卡死崩溃。不是网络问题，是模型自己撑不住了。

那为什么会慢呢。其实很简单，现在大多数端到端OCR模型都拿大语言模型当解码器，用语言先验知识来提高识别准确率。这个思路本身没问题，但有个特别要命的副作用。

每生成一个新token，模型都要把之前生成的所有内容存下来当参考，这个缓存叫KV cache。输出越长，缓存越大，跟滚雪球一样。内存被吃光不说，生成速度也肉眼可见地往下掉。

Unlimited OCR就聪明很多，直接把核心的注意力机制给修改了，改成参考滑动窗口注意力简称R-SWA。

名字听着有点唬人，但其实特别好理解。每个新生成的token只看两部分内容，一部分是图片里所有的视觉特征和用户输入的提示，这部分永远是全量的，因为那是识别依据，不能丢。

另一部分是它前面刚生成的128个token，也就一两句话的长度。再往前的内容，模型直接就忘了。

R-SWA就是把这种机制搬到了模型里。一个固定大小的滑动窗口，只保留最近128个token的缓存，新的进来，老的出去，就这样循环滚动。

视觉参考token不在这个滑动窗口里，它们是单独保留的，始终完整。

架构方面，Unlimited OCR是在DeepSeek OCR基础上改造的，但保留了DeepEncoder编码器。

这个编码器压缩率相当高，采用级联的窗口注意力和全局注意力ViT，能做到16倍的token压缩，也就是原来16个视觉token被压成1个。

解码器部分用了混合专家架构，总参数量3B，但每次推理只激活500M，所以实际跑起来很轻量。

40页PDF一次性解析完

为了测试Unlimited OCR的性能，开发团队在多个主流基准测试进行了综合评估，结果都非常出色。

在权威的OmniDocBench v1.5测试中，UnlimitedOCR拿到了93.23分，比老前辈DeepSeekOCR高出6.22分。

文本编辑距离只有0.038，几乎不需要怎么改就能直接用。在最新的v1.6版本测试里，它拿到了93.92的惊人分数，直接刷新了榜单，把GPT-4o、Qwen3-VL之类的大家伙都甩在了身后

针对不同文档的测试显示，无论是PPT、学术论文、课本还是报纸，UnlimitedOCR的表现都比之前的模型稳。

当处理2页文档时，编辑距离只有0.036。到了20页甚至40多页，编辑距离稍微上升到0.1左右，但考虑到这是几千字的连续输出，完全在可接受范围内。

而且评估文本丰富程度的Distinct-N指标在40多页输入下依然高达96%以上，说明模型没有在长距离输出中逻辑崩溃。

但最让我震撼的还是推理效率。当生成长度增加到6000多个Token时，DeepSeekOCR的速度掉到了每秒5822个Token。

而UnlimitedOCR依然能保持在每秒7847个Token，差距达到惊人的35%。文档越长，优势越明显

但UnlimitedOCR现在也有个小缺点，最大只能处理32K长度的上下文，如果页数实在太多还是会撞上限。

不过开发团队打算未来训练128K长度的模型，还准备搞个预填充池让AI像翻书一样读取信息，并且会把R-SWA用到语音识别和翻译上。

AI 实操交流群

找一群同路小伙伴一起进步

企业、高校及渠道合作

请联系微信：FYLlaoshi