Unlimited-OCR 指南 2026：百度出品、一次解析数十页的下一代 OCR

2026 年 6 月，百度（Baidu）发布了新 OCR 模型Unlimited-OCR。它在 HuggingFace 上的下载量已突破310 万次，成为 OCR 领域最受关注的开源模型之一。

先给结论：Unlimited-OCR 是百度对 DeepSeek-OCR 的进一步进化。通过将解码器的全部注意力层替换为 R-SWA（Reference Sliding Window Attention），它在整个解码过程中保持 KV 缓存恒定，从而在标准 32K 词元长度内一次前向即可解析数十页文档。

传统 OCR 的问题是「输出越长，KV 缓存越多、速度越慢」。Unlimited-OCR 从架构层面解决了这个限制。

本文将从 Unlimited-OCR 概览、R-SWA 原理、与 DeepSeek-OCR 的区别、安装与用法进行全面解析。

Unlimited-OCR 是什么

Unlimited-OCR 是百度于 2026 年 6 月 22 日发布的开源 OCR（光学字符识别）模型。

项目	内容
开发方	百度（Baidu）
许可证	MIT（可商用）
模型规模	约 3B 级（safetensors 约 6.7GB）
架构	DeepSeek-V2 系 MoE + R-SWA
上下文	最大 32,768 词元（32K）
支持	文本、图像、多页 PDF
下载量	310 万+（HF，2026 年 9 月）
发布日期	2026 年 6 月 22 日

口号是「Welcome the Era of One-shot Long-horizon Parsing」（一次性长文档解析时代），目标是一次前向解析数十页文档。

传统 OCR 的问题：输出越长越慢

传统端到端 OCR（如 DeepSeek-OCR）用LLM 作为解码器，借助语言先验提升识别准确率。

但这种设计有明显缺陷：

输出序列越长，KV 缓存不断累积，内存消耗激增
生成越来越慢（解码速度下降）
数十页文档需要分块处理，破坏上下文一致性

这与人类「长时间抄写任务不衰减」形成鲜明对比。

R-SWA：恒定 KV 缓存实现「无限」解析

Unlimited-OCR 的核心是R-SWA（Reference Sliding Window Attention）——一种新的注意力机制。

Unlimited-OCR 的创新：传统架构与 R-SWA 对比 — 传统 OCR 输出越长 KV 缓存越大；Unlimited-OCR 通过 R-SWA 保持 KV 缓存恒定，一次解析数十页

R-SWA 的原理

以参考词元（Reference Token）为基准，用滑动窗口固定注意力范围
解码全程KV 缓存恒定 → 内存与延迟不增长
注意力计算成本也大幅降低

结合 DeepSeek-OCR 的高压缩编码器，在标准 32K 长度内一次转写数十页文档成为可能。

不止于 OCR

R-SWA 并非 OCR 专用。论文将其描述为通用解析注意力机制，同样适用于ASR（语音识别）、翻译等任务——这项技术有望应用于更多长文档处理场景。

与 DeepSeek-OCR 的区别

Unlimited-OCR 以 DeepSeek-OCR 为基线，但解码器的注意力机制完全不同。

对比	DeepSeek-OCR	Unlimited-OCR
解码器注意力	标准注意力	R-SWA（滑动窗口）
KV 缓存	随输出增长	恒定
长文档处理	需要分块	一次解析数十页
解码速度	越长越慢	保持恒定
内存消耗	随输出增长	恒定

继承 DeepSeek-OCR 的高压缩编码器，同时用 R-SWA 替换解码器，实现「长文档不衰减」的处理能力。

安装方法

Unlimited-OCR 可通过 HuggingFace transformers 使用。测试环境为Python 3.12 + CUDA 12.9。

依赖库

pip install torch==2.10.0 torchvision==0.25.0 \
  transformers==4.57.1 Pillow==12.1.1 matplotlib==3.10.8 \
  einops==0.8.2 addict==2.4.0 easydict==1.13 \
  pymupdf==1.27.2.2 psutil==7.2.2

加载模型

import torch
from transformers import AutoModel, AutoTokenizer

model_name = 'baidu/Unlimited-OCR'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModel.from_pretrained(
    model_name,
    trust_remote_code=True,
    use_safetensors=True,
    torch_dtype=torch.bfloat16,
)
model = model.eval().cuda()

用法

1. 单图解析

两种配置：gundam（base_size=1024、image_size=640、crop_mode=True，适合细字）和base（1024/1024，无裁剪）。

model.infer(
    tokenizer,
    prompt='<image>document parsing.',
    image_file='your_image.jpg',
    output_path='your/output/dir',
    base_size=1024, image_size=640, crop_mode=True,
    max_length=32768,
    no_repeat_ngram_size=35, ngram_window=128,
    save_results=True,
)

2. 多页 / PDF（真正的主场）

将 PDF 页转为图片后，用 infer_multi 批量解析。

import tempfile, fitz  # PyMuPDF

def pdf_to_images(pdf_path, dpi=300):
    doc = fitz.open(pdf_path)
    tmp_dir = tempfile.mkdtemp(prefix='pdf_ocr_')
    mat = fitz.Matrix(dpi / 72, dpi / 72)
    paths = []
    for i, page in enumerate(doc):
        out = os.path.join(tmp_dir, f'page_{i+1:04d}.png')
        page.get_pixmap(matrix=mat).save(out)
        paths.append(out)
    doc.close()
    return paths

model.infer_multi(
    tokenizer,
    prompt='<image>Multi page parsing.',
    image_files=pdf_to_images('your_doc.pdf', dpi=300),
    output_path='your/output/dir',
    image_size=1024,
    max_length=32768,
    no_repeat_ngram_size=35, ngram_window=1024,
    save_results=True,
)

3. vLLM 部署（高速推理）

官方支持，提供Docker 镜像：

# 默认（CUDA 13.0）
docker pull vllm/vllm-openai:unlimited-ocr

# Hopper GPU（CUDA 12.9）
docker pull vllm/vllm-openai:unlimited-ocr-cu129

配方：https://recipes.vllm.ai/baidu/Unlimited-OCR

运行环境要求

NVIDIA GPU（推荐 RTX 4090+、16GB+ VRAM）
Python 3.12 + CUDA 12.9
模型约 6.7GB（BF16）

VRAM 不足时，可考虑 vLLM 部署或量化。

总结

Unlimited-OCR 是百度打造的「长文档也不衰减」的下一代 OCR。

✅ R-SWA保持 KV 缓存恒定，解码速度不降
✅ 32K 长度内一次解析数十页（无需分块）
✅ 继承 DeepSeek-OCR 的高压缩编码器
✅ 通用注意力机制（也适用于 ASR、翻译）
✅ MIT 许可可商用，下载超 310 万
✅ 支持 transformers、vLLM、SGLang、百度智能云

想把数十页论文或合同一次性转成文本？ Unlimited-OCR 是 2026 年最强的选择之一。即使是 DeepSeek-OCR 用户，也能在长文档处理速度上感受到明显差异。