百度Unlimited OCR开源:5天Star破万,93.92%刷新SOTA

面对一本几十页的PDF，传统OCR只能一页页读、一页页拼，像跑一个for循环，读一页忘一页。现在，百度用3B参数、激活仅570M的小模型，让OCR一口气读完整本几十页的书，不降速、不失忆。这就是百度最新开源的Unlimited OCR。

技术突破：滑动窗口注意力机制

过去OCR处理长文档时，每生成一个Token，KV Cache就膨胀一圈，显存越占越多、速度越来越慢。这是长文档OCR面临的核心瓶颈。

Unlimited OCR的核心创新是参考滑动窗口注意力（Reference Sliding Window Attention, R-SWA）机制。它模仿人类抄书的方式：原书始终摊开在桌面上，手边只保留最近写下的几行字。

# R-SWA机制伪代码示意
class UnlimitedOCR:
    def __init__(self):
        self.full_image = None  # 完整图像始终可见
        self.output_buffer = []  # 最近128个Token输出
        self.kv_cache = FixedSizeQueue(max_size=128)  # 固定长度队列
        
    def generate(self, image):
        self.full_image = image  # 始终能看见完整图像
        
        for _ in range(max_tokens):
            # 输出端只回看最近128个Token
            recent_context = self.kv_cache.get_recent(128)
            new_token = self.model.forward(
                image=self.full_image,
                recent_tokens=recent_context
            )
            
            # KV Cache固定长度，新Token挤掉最旧的
            self.kv_cache.push(new_token)
            self.output_buffer.append(new_token)
            
        return self.output_buffer

# 核心优势：无论输出1万还是10万Token，显存占用始终不变

性能数据：93.92%刷新SOTA

在OmniDocBench v1.6基准测试中，Unlimited OCR以93.92%的综合成绩刷新端到端OCR最新纪录。对比DeepSeek OCR的87.01%，提升超过6个百分点。

真实文档场景下推理速度较DeepSeek OCR提升约12.7%，输出长度达6000 tokens时速度优势扩大至35%。更令人惊叹的是模型规模：总参数3B，推理时仅激活570M——激活参数不到Qwen3-VL（235B）零头的选手，反手把一众大模型全甩了。

5天Star破万，四榜登顶

发布次日即登顶GitHub Daily Trending榜和Python榜，5天Star破万。在HuggingFace全球模型总趋势榜和多模态模型趋势榜也均排名第一，实现GitHub、HuggingFace四榜第一。

这一成绩印证了开源社区对高效长文档OCR工具的迫切需求。无论是知识库构建、RAG应用还是Agent工作流，都需要精准的文档解析能力。

应用场景

• PDF转Markdown：复杂排版文档精准转换，保留表格、公式、层级结构
• 知识库构建：批量处理文档，提取结构化信息
• RAG增强检索：精准理解长文档内容，提升检索质量
• Agent工作流：端到端处理复杂文档任务

模型权重和代码已同步开源，适合Python开发者集成到现有文档处理流程中。