百度开源 OCR 模型 Unlimited-OCR：一次解析数十页文档，GitHub 星标 2.83 万

2026 年 10 月 25 日——百度于 2026 年 6 月 22 日开源的长文档解析模型 Unlimited-OCR，截至 2026 年 10 月 25 日在 GitHub 已收获 28,358 个星标与 3,004 次 fork。该模型以 DeepSeek OCR 为基线构建，通过自研的参考滑窗注意力机制 R-SWA 将解码全程的 KV Cache 开销控制为恒定量，官方技术报告称其可在 32K 最大生成长度下单次前向解析数十页文档，把扫描件、照片与多页 PDF 转成 Markdown 格式的结构化文本。

模型代码与权重以 MIT 许可证开源，用户可在 Hugging Face Spaces 免费在线试用，也可通过 Transformers、vLLM、SGLang 本地部署。

核心信息

Unlimited-OCR 由百度开源，项目口号为「Unlimited OCR Works: Welcome the Era of One-shot Long-horizon Parsing」（开启一次完成的长程解析时代）。据官方发布日志，模型于 2026 年 6 月 22 日正式发布并开源，技术报告同日提交 arXiv（编号 2606.23050）；据媒体报道，仓库开源仅 5 天 GitHub 星标即突破 1 万，此后陆续获得 ModelScope、vLLM、SGLang、ms-swift 等社区适配，并于 2026 年 7 月 3 日接入百度智能云。

参数量口径说明：3B 总参数与约 570M 激活参数来自社区部署文章对仓库 config.json 的分析（64 个路由专家加 2 个共享专家、每 token 激活 6 个专家），官方技术报告摘要未披露具体参数数值。

技术方案：R-SWA 滑窗注意力，KV Cache 全程恒定

官方技术报告指出，以大语言模型为解码器的端到端 OCR 模型存在一个结构性矛盾：输出序列越长，累积的 KV Cache 越多，显存占用持续上升、生成速度逐步下降。Unlimited-OCR 的做法是以 DeepSeek OCR 为基线，将解码器中的全部注意力层替换为参考滑窗注意力机制 R-SWA（Reference Sliding Window Attention），使整个解码过程中的 KV Cache 保持恒定，不再随输出长度线性增长。

官方表示，结合 DeepSeek OCR 编码器的高压缩率与恒定 KV Cache 设计，Unlimited-OCR 在 32768 tokens 的标准最大长度下可单次前向解析数十页文档。报告同时称 R-SWA 是一种通用的解析类注意力机制，除 OCR 外同样适用于语音识别、机器翻译等长序列生成任务。

在使用方式上，单张图片支持 gundam（1024 基座分辨率加 640 切片与动态裁剪）与 base（1024 全图）两种配置；多页 PDF 场景统一采用 base 配置，官方推理代码将 PDF 按每页 300 DPI 转为图像后一次性送入模型解析，输出结果直接保存为 Markdown 文件，版面元素附带边界框坐标标签，可直接用于知识库入库与全文检索。

部署生态与获取方式

Unlimited-OCR 提供三种主流部署路径：Transformers 直接加载（官方在 Python 3.12.3 与 CUDA 12.9 环境完成测试）、vLLM 官方 recipe 配套 Docker 镜像、SGLang 启动 OpenAI 兼容 API 服务。模型权重已上架 Hugging Face（baidu/Unlimited-OCR）与 ModelScope。

普通用户可在 Hugging Face Spaces 页面免费在线体验解析效果；需要本地部署的开发者可参照仓库 README 中的推理脚本与部署文档操作。项目在 README 致谢中列出了 DeepSeek-OCR、DeepSeek-OCR-2 与 PaddleOCR 三个项目，官方在发布时的表述为「推动 DeepSeek-OCR 再往前走一步」。