百度于 6 月 22 日推出了一款名为 Unlimited OCR 的开源端到端 OCR 模型，主要针对长文档解析过程中 AI 越处理越慢的难题。本文将从核心原理、亮点数据与实际应用场景出发，带你全面了解这款模型的价值。
一、什么是端到端 OCR 模型？先了解背景
在深入解读 Unlimited OCR 之前，我们有必要先弄清楚它所属的“端到端 OCR”究竟是什么。
端到端 OCR 模型是一个统一的神经网络框架，它将“检测图像中的文字位置”与“识别文字内容”两个环节融为一体。与传统的先检测文本框、再逐一识别每个框内文字的方法不同，端到端模型直接从输入图像映射到文本序列输出，从而有效减少信息丢失并降低计算冗余。
- 传统 OCR 流程： 检测文字区域 → 裁剪各区域 → 逐一识别 → 合并结果（步骤多、易累积错误）
- 端到端 OCR 流程： 输入图像 → 直接输出文本序列（一步完成，效率更高）
小提示： 端到端模型虽然简洁，但在处理多页长文档时，每生成一个 token 都会扩大 KV cache（键值缓存），导致显存占用和延迟持续增加，用户便会感到“AI 越解析越慢”。Unlimited OCR 正是为攻克这一难题而研发的。
二、Unlimited OCR 模型的核心亮点
1. 延续 DeepSeek OCR 架构，性能更强劲
Unlimited OCR 继承了 DeepSeek OCR 的架构，保留了 DeepEncoder（深度编码器）与 Mixture-of-Experts（混合专家，MoE） 解码器。
- 总参数量： 30 亿
- 推理时激活参数： 仅 5 亿（实际运行时计算量小，速度更快）
2. 两级视觉编码 + 16 倍 token 压缩，从源头降低负担
编码端采用 两级视觉编码 策略，并在连接阶段实现 16 倍 token 压缩：
- 原本 1024×1024 的 PDF 图像，会被压缩为 仅 256 个视觉 token，大幅降低预填充阶段的显存与计算开销。
小提示： token 压缩相当于把一本书的每一页都提炼成一句话，AI 处理起来自然快得多。这是 Unlimited OCR 实现“越生越快”的核心技术。
3. 训练数据与配置
- 基于 DeepSeek OCR 检查点继续训练 4000 步，冻结 DeepEncoder，仅训练解码器。
- 训练数据约 200 万份文档样本，运行在 8×16 A800 GPU 上。
- 数据配比：单页与多页约 9:1，多页样本通过拼接构造（确保模型能够处理长文档）。
三、基准测试成绩：全面超越 DeepSeek OCR
Unlimited OCR 在权威评测基准上表现亮眼，以下为关键数据：
| 评测项目 | Unlimited OCR | DeepSeek OCR | DeepSeek OCR 2 |
|---|---|---|---|
| OmniDocBench v1.5 整体得分 | 93.23 | 87.01 | 89.17 |
| 文本编辑距离 | 0.038 | — | — |
| 公式 CDM | 92.61 | — | — |
| 表格 TEDS | 90.93 | — | — |
| 读序编辑距离 | 0.045 | — | — |
| OmniDocBench v1.6 整体得分 | 93.92 | — | — |
小提示： 文本编辑距离越低越好（0.038 表示错误极少），公式 CDM 和表格 TEDS 越高越好，说明公式与表格的识别准确率极高。
四、常见问题解答
Q1：Unlimited OCR 与普通 OCR 有什么本质区别？
普通 OCR 通常采用两阶段流程（检测→识别），而 Unlimited OCR 是端到端模型，直接从图像到文本。更重要的是，它通过 token 压缩与 MoE 机制解决了长文档解析时越处理越慢的问题。
Q2：这个模型适用于哪些场景？
非常适合需要解析 多页 PDF、扫描书籍、长篇合同、学术论文 等场景。例如一次性上传 50 页的 PDF，Unlimited OCR 能保持从头到尾一致的速度，不会出现“翻到后面几页就卡顿”的现象。
Q3：如何获取或使用这个模型？
模型已在 GitHub 开源（项目名 Unlimited OCR Works，目前已获 6.8K Star）。你可以从官方仓库下载预训练权重，或通过 Hugging Face 等平台调用。建议使用 8×16 A800 级别 GPU 进行训练或微调。
Q4：模型对硬件要求高吗？
推理时仅激活 5 亿参数，显存占用较低。通常单张 A100 或 RTX 4090 即可流畅运行单页或少量多页文档。训练则需要多卡环境（如 8×16 A800）。
五、总结：为什么 Unlimited OCR 值得关注？
Unlimited OCR 不仅继承了 DeepSeek OCR 的优秀基因，更通过 token 压缩、MoE 解码器 等创新设计，真正实现了“越生越快”的目标。在 OmniDocBench 评测中全面超越前代模型，尤其适合企业级长文档解析需求。如果你是开发者或研究者，不妨在 GitHub 上体验一下，或许它将成为你文档处理流水线的核心组件。
Unlimited OCR Works Welcome the Era of One-shot Long-horizon Parsing
Unlimited OCR Works 的 GitHub 页面（已获 6.8K Star）