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GitHubhttps://github.com/baidu/Unlimited-OCRHuggingFacehttps://huggingface.co/baidu/Unlimited-OCR
