百度开源了一个OCR模型，长文档一次搞定

分享百度新开源的一个OCR模型Unlimited-OCR，核心卖点是单阶段长文本解析，简单说就是不管你的文档有多长，它都能一次性处理完，不需要你手动拆页或者分段。

先说它能处理什么：
1️⃣ 单张图片
一张拍下来的文档照片，直接丢进去识别，有两种模式可以选。gundam模式适合图片比较大需要裁剪的场景，base模式处理标准尺寸的图片；

2️⃣ 多页图片和PDF
这个是比较实用的功能，直接把PDF扔进去，它自己把每页转成图片然后批量识别。用SGLang部署的话可以并发8路跑批量推理，速度还行；

它的定位是在Deepseek-OCR基础上往前推进，不过是百度自己的项目。

部署方面支持三种方式，最基础的用Hugging Face Transformers直接跑推理，生产环境可以用vLLM或者SGLang。vLLM提供了现成的Docker镜像，分常规CUDA和Hopper架构两个版本。SGLang那边项目里有一个infer.py脚本，可以自动启动服务然后对整个图片目录或PDF文件做批量推理。

环境要求不低，Python 3.12 + CUDA 12.9，需要NVIDIA GPU，PyTorch 2.10，不是那种随便跑的轻量工具。

不过对于需要处理大量文档识别的场景，特别是多页PDF的批量处理，这个模型的一次性解析能力确实比传统的拆页再拼接的方案方便很多。

如果你在做文档数字化或者需要批量OCR的工作，可以关注一下。