AI工作站

Unlimited-OCR是百度自研端到端超长文档OCR大模型，创新引入Reference Sliding Window Attention（R-SWA）机制，将解码器KV缓存由线性增长优化为常量占用，单轮推理即可一次性完成数十页文档全文转录。

一、模型核心功能：

1、超长文档一次性批量识别：

支持2页至40页以上PDF文档单轮前向推理完整转录，摒弃传统分页循环遍历逻辑，省去分页调度、分段拼接的额外开销。

2、九大版式文档全覆盖解析：

兼容PPT幻灯片、学术论文、书籍、彩色教材、试卷、期刊杂志、报纸、手写笔记、行业研究报告各类复杂排版文件。

3、全要素高精度结构化提取：

端到端同步输出纯文本、数学公式、表格内容、图文阅读顺序；公式识别CDM指标95.79%，表格还原TEDS指标93.32%。

4、双模式自适应视觉编码：

Base标准模式：固定1024×1024分辨率，适配多页长文档批量处理；

Gundam精细模式：动态自适应分辨率，针对单页文件实现超高精度细节识别。

5、常量级稳定推理延迟：

依托R-SWA缓存优化，KV缓存占用固定为m+n常量值，输出序列长度不会抬高显存占用与推理耗时，长文档运行状态平稳。

二、模型核心优势：

1、行业顶尖SOTA识别精度：

在OmniDocBench v1.5取得93.23%总分，升级v1.6后提升至93.92%，位列端到端文档识别赛道第一名。

2、显存与延迟不随页数膨胀：

KV缓存不再随文档页数线性上涨，处理20页、40页以上长文档时，显存占用、推理耗时基本持平，大幅降低超长文档处理硬件门槛。

3、长文本场景吞吐优势显著：

文档输出token越长，速度优势越突出；6144 token长序列下，理论TPS上限相比DeepSeek-OCR高出约35%。

4、通用可迁移解码架构：

R-SWA滑动窗口缓存机制并非OCR专用优化方案，可无缝迁移至语音识别ASR、机器翻译、长字幕生成等所有「参考素材+超长文本输出」生成类任务。

5、轻量化开源易部署：

整体参数量3B，激活参数量仅500M，硬件部署门槛低；模型权重、完整训练推理代码全部开源，支持企业二次开发与定制微调。

三、完整使用流程：

1、获取代码与权重：

可前往Hugging Face仓库 baidu/Unlimited-OCR 或GitHub官方仓库 baidu/Unlimited-OCR 下载完整项目与预训练权重。

2、部署运行环境：

兼容Transformers标准库与SGLang高性能推理引擎，按需配置对应GPU运行环境。

3、选择对应输入模式：

输入支持PDF转图像格式；多页长文档选用Base模式，单页精细识别切换Gundam动态分辨率模式。

4、一键执行整档推理：

单次推理请求即可完成整本文档全部页面OCR结构化转录，无需额外开发分页调度逻辑。

5、跨场景机制迁移复用：

项目内置的R-SWA核心优化模块可剥离复用，适配语音识别、长文本翻译、视频字幕生成等各类超长序列生成业务。

数据统计