5天破万star,又一款国产 OCR 神器杀疯了

大家好呀，我是开源先驱～

5 天，GitHub Star 破万。发布次日登顶 GitHub Daily Trending 榜和 Python 榜。HuggingFace、GitHub 四榜第一。这就是百度 Unlimited OCR 交出的成绩单。

有人可能好奇：OCR 这个赛道不是早就卷到头了吗？PaddleOCR、Tesseract、EasyOCR……为什么一个新模型还能引起这么大动静？

答案很简单：以前的 OCR 模型，处理长文档是一场噩梦。

一个典型的翻车现场

假设你有一份 40 页的 PDF 合同需要做 OCR 解析。用传统方案的话，流程是这样的：

01 切页。把 40 页 PDF 拆成 40 张图片，每张独立送进模型。 02 碎片化。每页独立推理意味着模型看不到跨页上下文——表格跨页断开？对不起，它不知道前一页说了什么。 03 拼接。40 次推理跑完后，你还要手动拼接结果。页码、页眉页脚、跨页段落——全得靠后处理逻辑收拾。 04 耗时。40 页 × 每次推理 5 秒 = 200 秒。而且随着页数增加，KV cache 线性膨胀，长文档直接 OOM。

做过文档解析的读者看到这里应该已经开始点头了。

Unlimited OCR 是怎么破局的？

核心创新就一个：Reference Sliding Window Attention (R-SWA)。听起来复杂，但逻辑其实很优雅——

传统方案处理长文档时，每增加一页，KV cache 就膨胀一截。Unlimited OCR 的做法是：KV cache 保持恒定，永远不会超过 L_m + 128。不管你是 10 页、40 页还是 100 页，推理过程的内存占用基本不变。

这意味着什么？40+ 页文档可以在一次前向传播中完成解析。不用切页、不用拼接、不用手动对齐——整份文档扔进去，完整结果出来。

几个让人"哇塞"的数据

🏆 OmniDocBench v1.6：93.92%——开源模型第一，超越 DeepSeek OCR 基线（87.01%）6.91 个百分点 ⚡ 推理速度比 DeepSeek OCR 快 35%——在 6K 输出 token 时已领先，文档越长差距越大 📄 单次前向处理 40+ 页——96.90% Distinct-35 得分，长文档不重复不丢内容 🪶 3B 总参数，仅 500M 激活推理——一张 A800 或 H100 就能跑，不需要多卡集群 📊 9 类文档全面领先——PPT、学术论文、书籍、彩色教科书、试卷、杂志、报纸、笔记、研究报告

保姆级上手

环境要求：Python 3.12 + CUDA 12.9 + NVIDIA GPU

第一步：安装依赖

pip install torch==2.10.0 transformers==4.57.1 Pillow==12.1.1

第二步：几行代码跑起来

from transformers import AutoModel, AutoTokenizer
import torch

model = AutoModel.from_pretrained(
    'baidu/Unlimited-OCR',
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,
).eval().cuda()

tokenizer = AutoTokenizer.from_pretrained('baidu/Unlimited-OCR', trust_remote_code=True)

# 单张图片 OCR — gundam 模式（高精度）
model.infer(
    tokenizer,
    prompt='document parsing.',
    image_file='your_doc.jpg',
    output_path='./output',
    base_size=1024, image_size=640, crop_mode=True,
    max_length=32768,
)

# 多页 PDF — 一次性解析
model.infer_multi(
    tokenizer,
    prompt='Multi page parsing.',
    image_files=['page1.png', 'page2.png', 'page3.png'],
    output_path='./output',
    image_size=1024,
    max_length=32768,
)

第三步：生产环境部署

支持 vLLM 和 SGLang 两种部署方式，都提供 OpenAI 兼容 API：

# Docker 一键部署（vLLM） docker pull vllm/vllm-openai:unlimited-ocr

也支持 ms-swift 微调、百度云一键调用、HuggingFace Spaces 在线体验。

适用人群

如果你属于以下任何一类，Unlimited OCR 都值得你立刻试试：

📄 需要做大量 PDF/文档解析的开发者 🏢 企业文档数字化、合同/发票 OCR 场景 🔬 学术论文批量提取和结构化 🤖 在做 RAG 应用，需要高质量文档解析 pipeline 🧪 OCR 方向研究者，关注 SOTA 方法

小结

Unlimited OCR 做了一件很具体但非常有用的事：把长文档 OCR 从"切页+拼接+祈祷"变成了"一次前向全搞定"。

R-SWA 这个创新看似只是注意力机制的优化，但它解锁了一个之前所有 OCR 模型都在回避的场景——真正的长文档端到端解析。40 页不够？作者团队已经在规划 128K 上下文窗口了。

3B 参数、500M 激活、单卡可跑、MIT 开源——这个诚意，确实值得 5 天破万星。

🔗 GitHub: https://github.com/baidu/Unlimited-OCR