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
| 维度 | Unlimited-OCR | DeepSeek-OCR | GLM-OCR | Mistral OCR |
|---|
| 开发方 | 百度 | DeepSeek | 智谱AI | Mistral AI |
| 长文档支持 | 40+页 | 需分页 | 支持 | 支持 |
| 架构特点 | R-SWA | 全注意力 | VLM | OCR模型 |
| OmniDocBench v1.6 | 93.92 | 90.25 | 未公开 | 未公开 |
| 推理速度 | 5580 TPS | 4951 TPS | 未公开 | 未公开 |
| 开源情况 | 开源 | 开源 | 部分开放 | 闭源 |
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
- 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。 - 部署环境：安装Transformers或SGLang推理框架，并配置模型运行依赖。
- 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。
- 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
Unlimited-OCR怎么用？
下载模型权重后，通过Transformers或SGLang完成部署，上传PDF或图像即可执行OCR任务，适合本地化和私有化场景。
Unlimited-OCR免费吗？
Unlimited-OCR已开源发布，代码和模型权重可获取，但实际使用仍需承担服务器和GPU资源成本。
Unlimited-OCR和DeepSeek-OCR哪个好？
从公开测试结果看，Unlimited-OCR在OmniDocBench v1.6取得93.92分，同时更适合超长文档连续解析场景。
Unlimited-OCR支持多页PDF吗？
支持。模型可完成40页以上文档单次前向解析，无需传统分页处理流程。
Unlimited-OCR是否提供商业API？
截至目前公开资料，官方尚未公布统一商业API服务，企业用户主要通过开源方式部署使用。
