Unlimited-OCR

专门解决一件事：一次性读完一整本文档

Unlimited-OCR 是百度于 2026 年 6 月 22 日发布并开源的 OCR / 文档解析视觉语言模型，官方项目标题是 Unlimited OCR Works: Welcome the Era of One-shot Long-horizon Parsing——「一次性长程解析」就是它全部的设计目标。

传统 OCR 处理长文档的做法是切页、逐页识别、再拼接结果，问题出在跨页的表格、公式和阅读顺序上：切开之后模型看不到上下文，拼回来经常错位。Unlimited-OCR 想做的是把几十页文档一次前向解析完，让模型始终看得到全局。

关键是把长输出的显存开销压平了

技术报告说明，它以 DeepSeek-OCR 为 baseline，保留了高压缩率的 DeepEncoder，真正的改动在解码端：把注意力换成 Reference Sliding Window Attention（R-SWA）。

R-SWA 的规则是——每个输出 token 都完整关注全部视觉 token 与 prompt，但只关注最近窗口内的输出 token。这样一来，随着输出越来越长，KV cache 大小近似保持恒定，而不是线性膨胀。这正是它敢做「32K 长输出」的前提：解析一整本书时，显存和注意力计算不会随页数失控。

体积很小，这点很重要

技术报告把模型标为 3B-A0.5B，即约 33.36 亿总参数 / 5 亿激活参数（HF safetensors 元数据记录的 BF16 参数量约 33.36 亿）。模型架构为 UnlimitedOCRForCausalLM，上下文长度 32768，滑动窗口 128，视觉侧 image_size 为 1024，BF16 safetensors 权重文件索引总大小约 6.67 GB。

换句话说，这是一个消费级显卡就能跑起来的模型，却面向的是过去需要大模型才敢碰的长文档解析任务。官方 README 的 Transformers 与 SGLang 示例均使用 max_length=32768（或 --context-length 32768）。

评测：文档解析的几项主要指标都很硬

技术报告以 OmniDocBench 为主要评测。在 v1.5 上，Overall 93.23、文本 Edit Distance 0.038、公式 CDM 92.61、表格 TEDS 90.93、阅读顺序 Edit Distance 0.045；在 v1.6 上 Overall 93.92、公式 CDM 95.79、表格 TEDS-S 93.32。

与它的 baseline 相比，v1.5 的 Overall 提升了 6.22 分，文本编辑距离下降 0.035——对 OCR 来说，编辑距离下降往往比总分上升更能说明可用性改善。需要说明的是，本站结构化评测区目前尚未收录 OmniDocBench v1.5/v1.6，因此这些成绩以正文形式呈现，不会被映射到 DocVQA 等口径不同的评测项上。

适用场景与获取方式

它面向长篇文档、论文、书籍、多页 PDF 和复杂版面的 OCR，输入为图像加文本 prompt，输出解析后的文本。官方示例覆盖单图文档解析、多页图片解析，以及 PDF 转图片后的多页解析。

权重发布在 Hugging Face（baidu/Unlimited-OCR），代码与技术报告在 GitHub，代码与权重均为 MIT License，商用无附加限制。官方未提供托管 API 或在线 demo，使用方式是本地或自建部署，因此本页没有 API 价格。