北京
近日，百度正式发布并开源端到端OCR模型Unlimited OCR。模型发布后迅速获得全球开发者关注，发布次日即登顶 GitHub Daily Trending 榜、Python榜。随后热度持续攀升，GitHub Star 仅 5 天就突破 1 万，跻身GitHub 现象级爆款项目行列，且位列HuggingFace全球多模态大模型榜单第一。
GitHub Star 突破 1 万，一直被视为全球开源项目影响力的重要分水岭，而能够在极短时间内达到这一规模的，通常都是具有现象级关注度和病毒式传播效应的开源项目。Unlimited OCR 仅用 5 天便迈过这一里程碑，意味着其技术能力获得全球开发者广泛认可，也标志着其影响力正从模型能力快速扩展至全球开发者生态。
Unlimited OCR 面向长文档解析场景打造，总参数规模 3B、推理时激活参数仅约 570M。公开评测结果显示，Unlimited OCR 在 OmniDocBench v1.6 基准测试中取得 93.92% 综合成绩，刷新端到端 OCR 最新纪录；在保持高精度解析能力的同时，真实文档场景推理速度较 DeepSeek OCR 提升约 12.7%，输出长度达 6000 tokens 时速度优势扩大至 35%。
Unlimited OCR 更重要的意义在于推动了长文档解析技术向前迈出关键一步。过去，OCR 模型面对书籍、论文、报告等长文档时，通常需要采用“逐页解析+结果拼接”的工程方案，随着输出内容不断增长，解码阶段的 KV Cache 持续膨胀，推理速度和显存成本也随之增加。
针对这一行业痛点，百度提出Reference Sliding Window Attention （R-SWA）机制，为长程解析提供了新的解决思路。该机制借鉴人类阅读和抄录长文档时的工作方式：始终保持对原始文档内容的关注，同时仅保留最近一段生成内容作为“工作记忆”，而不是无限累积全部历史信息。基于这一设计，模型能够在一次前向推理中连续完成数十页文档解析，实现从第一页到最后一页的连贯输出，同时将解码阶段的 KV Cache 控制在恒定规模，使计算成本和显存占用不随输出长度持续增长。
这一突破不仅提升了 OCR 在长文档场景下的可用性，也为大模型长期记忆管理提供了新的技术思路。近年来，行业普遍通过扩展上下文窗口来增强长程能力，而 Unlimited OCR 则探索了另一条路径——通过更高效的注意力机制和记忆管理策略，让模型“学会保留关键上下文、适度遗忘历史信息”，以更稳定、更经济的方式完成超长任务。
Unlimited OCR 展现的不仅是一项 OCR 能力升级，更是百度在多模态基础模型和长程推理方向上的一次重要探索，为行业提供了处理超长上下文的新思路。
Unlimited OCR开源地址：
GitHub：https://github.com/baidu/Unlimited-OCR
HuggingFace：https://huggingface.co/baidu/Unlimited-OCR
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
