百度把 OCR 卷到“长文档一次读完”:3B 的 Unlimited OCR,靠什么跑出 93.92 分?

一份 40 多页的扫描报告，交给 OCR，最怕的不是“认错字”，而是越读越慢、越读越吃显存。

百度刚开源的 Unlimited OCR，瞄准的正是这个老问题。

它的总参数量是 3B，但一次推理实际激活约 500M 参数；项目披露的 OmniDocBench 综合成绩为：v1.5 达到 93.23，v1.6 达到 93.92。更值得关注的是，它不是把每一页切碎后各自处理，而是尝试在一次推理里连续解析几十页文档。

这不是“又一个 OCR 模型”。它试图解决的是：当文档变长时，端到端 OCR 怎样不被自己的记忆成本拖垮。

500M 激活参数，为什么能和大模型掰手腕？

先把“3B”和“500M”说清楚。

3B 是模型总参数规模；500M 是一次前向计算中实际被激活、参与计算的参数量。对部署者来说，后者往往更接近推理成本的体感：显存、吞吐和并发压力不会只看模型名义尺寸。

根据项目公布的 OmniDocBench v1.5 对比，Unlimited OCR 的 93.23 分高于 Qwen3-VL-235B 的 89.15、Qwen2.5-VL-72B 的 87.02，以及 Gemini-2.5 Pro 的 88.03。v1.6 的 93.92 分，则是项目给出的端到端最新成绩。

但这里不该简单得出“小模型全面赢了大模型”的结论。它比拼的是文档解析这个高度垂直的任务：版面、表格、公式、阅读顺序和文本还原。通用视觉语言模型能做的事更多，优化目标也不同。

真正有意思的是，Unlimited OCR 给了一个反直觉信号：在专用任务里，模型规模并不必然等于效率和准确率。结构对路，可能比堆参数更重要。

长文档 OCR 的瓶颈，原来在“记忆”

许多端到端 OCR 会用视觉编码器把页面压缩成视觉 token，再交给语言模型式的解码器逐字、逐段生成结构化结果。

问题出在解码过程。传统注意力机制需要保存历史 token 的 Key 和 Value，也就是常说的 KV Cache。输出越长，缓存越大；计算量和显存负担随之增长。几十页 PDF 一路读下去，速度变慢、显存膨胀，并不是工程实现不够努力，而是机制本身在累积成本。

Unlimited OCR 的论文把这件事讲得很直白：它在 DeepSeek OCR 的思路上，用 Reference Sliding Window Attention（R-SWA） 替换了解码器中的注意力层。

直观理解，模型并非死记整篇文档产生过的所有内容，而是保留一个滑动的近期窗口，同时参考一组被压缩保留的信息。这样，历史越来越长，KV Cache 仍能维持固定大小。

这带来两层价值：

●对使用者：长 PDF 不必被迫拆成许多独立小任务，跨页标题、表格延续、上下文衔接更有机会在同一条推理链路里处理。

●对部署者：显存占用不再随着输出长度线性膨胀，长文档场景的吞吐和成本更可预期。

论文称，在标准 32K 最大长度配置下，它可以一次前向转写数十页文档。注意，这不等于任何 PDF 都会“无限页”稳定处理：扫描质量、页面复杂度、分辨率和输出密度仍会影响结果。但“连续读几十页且缓存恒定”的方向，本身已经足够实用。

它适合放进哪些工作流？

如果你需要的是单张截图提字，成熟的传统 OCR 依然很轻、很快；如果你想让模型理解一张图里有什么，通用多模态模型更灵活。

Unlimited OCR 更像是卡在两者之间、但对长文档特别有价值的选项。比如：

●财报、招股书、审计材料的批量结构化；

●合同、研报、论文的 PDF 转 Markdown / JSON；

●表格、公式、复杂版面混排的知识库入库；

●多页票据、档案、说明书的连续解析。

项目仓库给出了两条推理路径：可直接通过 Transformers 加载，也提供基于 SGLang 的服务化方案。PDF 会先转成页面图片，再交给多页解析接口；示例里使用 infer_multi 传入页面序列，并将上下文长度设为 32768。

对开发者而言，这意味着它已经不是“只放了论文和权重”的研究演示：模型权重、MIT 许可代码、推理示例都已公开。真正进入生产前，建议至少用自己的中文合同、复杂表格和低清扫描件跑一轮评测；基准分数是能力坐标，不是你的业务验收报告。

这次开源，重要的不只是一个榜单分数

过去一段时间，OCR 的热度被大模型重新点燃，但长文档一直是很现实的落地难点：不是模型能不能看懂一页，而是能不能把几十页稳定、经济地读完。

Unlimited OCR 给出的答案不靠把解码器继续做大，而是从注意力机制的“记忆方式”动手。R-SWA 是否会推广到语音识别、翻译等长序列任务，仍有待更多复现和真实负载验证；论文作者已经明确把它定位为可迁移的通用解析注意力机制。

不过，对于每天和 PDF、扫描件、表格打交道的团队来说，这个开源项目已经值得进候选清单：它把 OCR 从“逐页识字”往“长文档连续解析”推了一步。

项目地址

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

Hugging Face：https://huggingface.co/baidu/Unlimited-OCR

论文：https://arxiv.org/abs/2606.23050

数据说明：文中 OmniDocBench 成绩与参数激活量均来自项目公开资料；不同硬件、输入分辨率、文档类型和推理配置下，实际性能会有差异。