百度开源 Unlimited-OCR：长文档 OCR 一次搞定，保姆级上手

做文档处理的朋友应该都有体会：单个名片、发票类的 OCR，现在工具基本都能搞定；可一旦遇到几十页的 PDF、厚厚一叠扫描件、排版复杂的书籍/合同，大多数方案就开始吃力了。

今天分享我们一直在关注的一个开源项目——百度出品的 Unlimited-OCR。它在 GitHub 上已经涨到 22,258 颗星、2,255 个 Fork（MIT 协议，可免费商用），目标就一句话：一次性搞定长文档 OCR。

老问题：长文档 OCR 为什么这么难？

传统方案的常规操作是：逐页截图 → 逐页调 OCR → 手动合并结果。遇到表格和图片混排的文档，版面分析还会各种翻车。

哪怕是公认效果最好的 DeepSeek-OCR，处理长文档时也有一个硬伤：随着输出变长，KV 缓存越来越大，生成速度越来越慢，几十页跑到后面几乎走不动，最后只能手动拆分、分页处理。

Unlimited-OCR 要解决的，正是这个"长文档越跑越慢"的核心问题。

它牛在哪：一个巧妙的注意力机制

论文（arXiv:2606.23050）里讲得很清楚。Unlimited-OCR 以 DeepSeek-OCR 为底座，做了一个关键改动——用 Reference Sliding Window Attention（R-SWA，参考滑动窗口注意力） 替换了解码器里的所有注意力层。

简单理解：人抄一段长文本时，并不会反复回头把整页重新读一遍，而是**聚焦在最近写的内容 + 一个固定的"参考窗口"**上。R-SWA 就是模拟这种阅读工作记忆，把注意力限制在滑动窗口和参考窗口里，让 KV 缓存在整个生成过程中保持恒定大小。

结果就是：它在标准 32K 上下文下，能一次完成几十页文档的转录，而不会像传统方案那样越跑越慢。而且论文提到，R-SWA 思维是个通用的注意力机制，未来也适用于 ASR、翻译等任务。

怎么上手？三条路任选

1. 在线 Demo（不用装环境，先看效果）

最省事的方式：直接打开 Hugging Face Space 在线 Demo（huggingface.co/spaces/baidu/Unlimited-OCR），把图片或 PDF 丢进去就能看到一次解析的效果，适合先尝鲜验证。

2. Transformers 本地快速上手

用 Hugging Face Transformers 最直接，两种模式区分很清晰：

gundam 模式（base_size=1024，image_size=640，crop_mode=True）——适合单张高精度解析，会做裁剪处理；
base 模式（image_size=1024，crop_mode=False）——适合 PDF 多页解析，全局视图。

先装依赖（测试环境：Python 3.12 + CUDA 12.9 + PyTorch）：

pip install torch torchvision transformers Pillow pymupdf

单图解析：

from transformers import AutoModel, AutoTokenizer
import torch

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,
).eval().cuda()

# 单张高精度（gundam 模式）
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,
)

多页 / PDF 只走 base 模式——仓库里还内置了 PDF 转图片工具，直接把 PDF 页转成图片后一次解析：

# PDF 多页解析（base 模式，image_size=1024）
model.infer_multi(
    tokenizer,
    prompt='<image>Multi page parsing.',
    image_files=['page1.png', 'page2.png', 'page3.png'],
    output_path='your/output/dir',
    image_size=1024, max_length=32768,
)

3. vLLM / SGLang 部署（生产环境）

需要高吞吐的服务化场景，可以用 vLLM（官方 recipe：recipes.vllm.ai/baidu/Unlimited-OCR，有 Docker 镜像）或 SGLang 起一个 OpenAI 兼容 API，支持 streaming 输出。仓库还给了 infer.py 一键批量推理脚本，对图片目录或 PDF 做并发推理。

适合谁用？

有大量文档数字化需求的开发者——合同、档案、书籍扫描，一次 OCR 搞定；
做文档管理 / 内容管理产品的团队——集成进产品提升文档处理能力；
日常需要处理 PDF 和扫描件的用户——丢进去就出结果；
研究 OCR / NLP 方向的学生学者——论文和代码是很好的学习材料；
企业做文档智能化转型——合同审核、票据识别、档案数字化等。

几个要注意的点

硬件：NVIDIA GPU + CUDA 12.9，建议显存 8GB 以上；
模型权重约几个 GB，需要足够网络和磁盘空间；
SGLang 部署有一些前置依赖和 wheel 安装步骤，生产环境建议仔细看仓库文档再配。

百度开源 Unlimited-OCR：长文档 OCR 一次搞定（保姆级上手）