
百度开源的 Unlimited OCR,是一个基于 DeepSeek OCR 改进的端到端文档解析模型,总参数 3B、激活参数仅 570M。该模型提出 Reference Sliding Window Attention(R-SWA)机制,将解码阶段的 KV Cache 固定为常数,使单次前向传播即可连续解析数十页文档。在 OmniDocBench v1.6 基准上达到 93.92% 综合指标,位列端到端模型第一;推理速度较 DeepSeek OCR 提升 12.7%,输出长度达 6000 tokens 时速度优势扩大至 35%。

整体架构
Unlimited OCR 沿用 DeepSeek OCR 的编码器-解码器架构:DeepEncoder 负责图像压缩编码,MoE-LLM 解码器负责自回归生成 Markdown 文本。关键改动是将解码器中所有标准 Multi-Head Attention 替换为 R-SWA。
主要配置
-
编码器:沿用 DeepEncoder,视觉 Token 压缩率为 16×,一张 1024×1024 的 PDF 页面约用 256 个 Token 表示
-
解码器:3B 参数 MoE 架构,推理时激活约 500M 参数
-
上下文长度:32K,可支持多页文档一次性解析
核心特点解析
-
面向长文档 OCR
-
支持 PDF 转图片后解析
-
支持 Transformers推理
-
支持 vLLM 与 SGLang
-
支持批量推理
适用场景
-
文档数字化:将扫描件、纸质资料、合同、报告转换成可搜索文本
-
知识库建设:在 RAG、企业知识库、文档问答系统前,先做 OCR 和文本提取
-
PDF解析系统:处理多页 PDF、图文混排文档、扫描版资料
-
票据与表单识别:用于识别图片中的文字内容,再结合规则或模型做字段提取
-
企业内部资料归档:将历史文档批量转换为结构化或半结构化文本
🐙 GitHub:https://github.com/baidu/Unlimited-OCR
🤗 HuggingFace:https://huggingface.co/baidu/Unlimited-OCR
【baidu/Unlimited-OCR】模型已经在趋动云『社区项目』上线,无需自己创建环境、下载模型,一键即可快速部署,快来体验【baidu/Unlimited-OCR】带来的精彩体验吧!
项目入口
https://open.virtaicloud.com/web/project/detail/727383845343547392
视频教程
启动开发环境
进入【baidu/Unlimited-OCR】项目主页中,点击运行一下,将项目一键克隆至工作空间,『社区项目』推荐适用的算力规格,可以直接立即运行,省去个人下载数据、模型和计算算力的大量准备时间。

配置完成,点击进入开发环境,根据主页项目介绍进行部署。

使用方法
在gemini/code中找到使用说明,选中使用方法单元格,点击运行。

等待生成local URL,右侧添加端口7860。

项目使用方法

示例展示




➫温馨提示: 完成项目后,记得及时关闭开发环境,以免继续产生费用!
284



被折叠的 条评论
为什么被折叠?



