Unlimited-OCR – 百度开源的端到端长文档OCR模型

Unlimited-OCR快速摘要

Unlimited-OCR是百度于2026年6月推出的开源OCR模型，采用3B参数MoE架构和R-SWA注意力机制，支持40页以上长文档OCR、PDF解析、表格识别和公式提取。在OmniDocBench v1.6测试中取得93.92分，推理速度达到5580 TPS，适用于企业档案数字化和学术文献处理场景。

• 模型名称：Unlimited-OCR
• 开发公司：百度
• 发布时间：2026年6月22日开源
• 模型架构：3B参数MoE架构，500M激活参数
• 核心功能：长文档OCR、多页PDF解析、表格识别、公式识别、阅读顺序恢复
• 技术特点：R-SWA参考滑动窗口注意力机制、常数KV Cache设计
• 最大输出：支持32K长输出序列
• 长文档能力：支持40页以上文档单次前向解析
• 性能表现：OmniDocBench v1.6：93.92分；推理速度：5580 TPS
• 开源情况：模型权重与代码均已开源，采用MIT License

Unlimited-OCR的核心优势

• 超长文档解析：Unlimited-OCR支持40页以上PDF单次前向识别，无需传统OCR常见的分页循环处理方式，在档案、书籍和论文场景中可直接完成连续内容提取。
• 公开测试成绩突出：模型在OmniDocBench v1.5获得93.23分，在OmniDocBench v1.6达到93.92分，公开成绩高于DeepSeek-OCR系列模型，覆盖文本、表格和公式等核心任务。
• 资源占用稳定：R-SWA机制将KV Cache控制在固定规模，随着输出内容增长，显存占用和推理延迟不会同步增加，更适合长文档OCR任务。
• 推理效率较高：公开数据显示模型推理速度达到5580 TPS，在处理长篇报告、教材和研究资料时能够缩短整体处理时间，提高批量任务效率。
• 结构化输出完整：支持文本识别、公式恢复、表格解析和阅读顺序重建，可直接输出适用于知识库、RAG系统和内容管理平台的结构化结果。

Unlimited-OCR的核心功能

• 多页PDF识别：支持40页以上文档连续解析，上传整本论文、技术手册或扫描档案后，可一次生成完整文本内容，无需额外分页调度。
• 复杂版面解析：适用于教材、杂志、研究报告和试卷等复杂排版场景，能够识别多栏布局、图片混排和章节结构，恢复正确阅读顺序。
• 公式识别输出：支持数学公式提取与结构恢复，可处理积分、矩阵和统计公式等内容，适用于科研文献整理和教育资料数字化。
• 表格结构提取：支持财务报表、统计表和跨行跨列表格识别，输出结构化数据，方便后续导入数据库或进行数据分析。
• 长文本连续生成：最大支持32K输出长度，可一次完成大型文档转录任务，减少传统OCR模型因上下文限制带来的内容割裂问题。

Unlimited-OCR的技术原理

• R-SWA机制：Reference Sliding Window Attention仅保留参考Token和最近128个输出Token参与计算，降低长序列推理的计算与缓存压力。
• 常数KV Cache：通过固定容量缓存队列替代传统线性增长方案，使模型在长文档生成过程中保持稳定显存占用和推理效率。
• 视觉编码器：采用SAM-ViT与CLIP-ViT组合架构，将1024×1024图像压缩为256个视觉Token，在降低计算量的同时保留关键信息。
• MoE解码器：模型总参数规模为3B，激活参数约500M，通过专家路由机制动态分配计算资源，提高推理效率。
• 长输出训练：基于DeepSeek-OCR继续训练约4000步，并支持32K输出长度，使模型能够处理超长文档OCR任务。

Unlimited-OCR与主流模型对比

Unlimited-OCR与DeepSeek-OCR最大的区别在于长文档推理架构。DeepSeek-OCR采用传统全注意力机制，输出越长缓存开销越大；Unlimited-OCR通过R-SWA实现常数级KV Cache管理，因此在数十页文档场景中更具优势。GLM-OCR更侧重文档理解与多模态问答，而Mistral OCR主要提供云端OCR能力。从公开测试数据看，Unlimited-OCR在长文档处理效率和OmniDocBench成绩方面表现较为突出。

如何使用Unlimited-OCR

1. 下载模型：通过GitHub baidu/Unlimited-OCR或Hugging Face baidu/Unlimited-OCR获取源码和权重文件，准备支持CUDA的GPU环境。
2. 部署环境：安装Transformers或SGLang推理框架，并配置模型运行依赖。
3. 上传文档：输入PDF或页面图像文件，多页文档可直接提交，无需手动分页处理。
4. 获取结果：模型自动输出文本、公式、表格和版面结构，可保存为Markdown或结构化数据格式。

Unlimited-OCR的局限性

• 商业服务信息有限：当前公开资料主要围绕开源模型和研究成果，尚未公布统一商业API及定价方案。
• 部署依赖GPU资源：虽然采用MoE架构降低激活参数规模，但长文档批量处理仍需要较高算力支持。
• 生态仍在发展：作为2026年发布的新模型，目前第三方工具链、案例和企业级集成资源相对有限。

Unlimited-OCR相关资源

• GitHub仓库：https://github.com/baidu/Unlimited-OCR
• HuggingFace模型库：https://github.com/baidu/Unlimited-OCR
• 技术论文：https://arxiv.org/abs/2606.23050

Unlimited-OCR的典型应用场景

• 企业档案数字化：批量处理扫描合同、历史档案和内部资料，输出可检索文本和结构化数据。
• 学术论文解析：识别论文中的正文、公式和表格内容，便于知识库建设和文献检索。
• 教育资料整理：处理教材、试卷和练习册，恢复版面结构并提取题目内容。
• 法律文档分析：将长篇合同和法规文件转换为可搜索文本，为后续审查和分析提供基础数据。
• 图书数字化：支持书籍、杂志和期刊内容转录，适用于数字图书馆和知识管理场景。

Unlimited-OCR常见问题