夜雨聆风今天被一条推文炸到了。
Berryxia 发了条动态，就一句话：「这速度真特么离谱啊！卧槽！」
什么玩意能让人激动到爆粗口？
答案是百度刚刚在 Hugging Face 上开源的一个模型，叫 Unlimited-OCR。
名字很直白，能力也很直白——一次性处理几百页文档。
对，一次性。不是一页一页来。
做过文档识别的人都懂。
你有一本 300 页的 PDF，想把它转成可编辑的文字。传统做法是什么？
拆吧。300 页拆成 300 张图，一张一张送进 OCR 模型，每张识别完，再写个调度脚本把结果拼回来。
拼回来的过程中，上下文断裂、格式不一致、表格错位、页眉页脚混到正文里——各种毛病轮着来。
这还不是最烦的。最烦的是每多一页，模型的 KV Cache 就膨胀一圈，显存跟着往上飙。到后面不是 OOM 就是速度慢到让人想砸键盘。
所以业内一直有个心照不宣的做法：老老实实一页一页来，别想偷懒。
核心创新叫 R-SWA——Reference Sliding Window Attention，参考滑动窗口注意力。
名字拗口，原理其实不复杂。
以前的注意力机制处理长文档时，每多看一页，KV Cache 就膨胀一圈，算到后面几十页，显存早就爆了。
R-SWA 的做法是：在解码过程中让 KV Cache 保持恒定。不管你是 1 页还是 500 页，计算开销和显存占用都一样。
这就等于把「无限长文档一次性解析」这个命题，从理论上打通了。
结果就是：一张图，或者一本多页 PDF，直接扔进去就行，模型自己搞定一切。
在 OmniDocBench 上，Unlimited-OCR 拿到了 93 分。
比 DeepSeek-OCR 高出 6 个百分点。
6 个百分点在 OCR 领域是什么概念？不是小修小补的进步，是把整个工作流从「分块 + 外部调度器拼接」变成了真正的端到端一镜到底。
以前你写的是 pipeline 代码，现在你只需要一行 model.infer()。
这是我最想说的一个点。
传统的 OCR，本质上是一个「认字工具」。它做的事情是：看到图片上的像素，识别出哪些像素组成了什么字，然后输出文字。
但 Unlimited-OCR 做的事情，已经超出了认字的范畴。
因为它能一次性看到整篇文档的结构、布局和逻辑关系，所以它的输出不是零散的文字片段，而是保留了文档原本的结构信息。表格、标题、正文、页脚——它都分得清。
这已经不是 OCR 了，这是长文档理解引擎。
从「这是什么字」到「这篇文档在讲什么」，这个跨越，百度做到了。
有网友在推文下留言：「套壳卖 299 不过分吧」。
Berryxia 回了句：「yyds」。
另一个说：「OCR 百度还是不错的」。
百度这些年在 AI 领域的口碑确实有点拧巴。大模型方向被各种质疑，但在 OCR 这条线上，PaddleOCR 到今天的 Unlimited-OCR，确实是一步一个脚印走过来的。从底层把技术做透，然后甩出硬核开源成果。
这次在 Hugging Face 上发布，模型地址、代码、论文全部公开，支持 transformers 直接加载，也支持 vLLM 和 SGLang 部署。
技术路线清晰，落地路径也清晰。
第一，OCR 这个赛道还没到头。很多人觉得 OCR 是个成熟到无聊的技术了，但 Unlimited-OCR 证明，当大家对长文档的理解方式变了之后，整个天花板又往上抬了一截。
第二，R-SWA 这个思路，可能不只适用于 OCR。KV Cache 膨胀是所有长序列模型的老大难问题，如果这个思路能被推广到其他领域，价值不可估量。
第三，百度在 OCR 上确实独树一帜了。不管你喜不喜欢百度，这条线它做得确实硬。
模型在 Hugging Face 上搜索 baidu/Unlimited-OCR 就能找到，论文也同步公开了。
有兴趣的可以去跑个 Demo，几十行代码的事情。
🔥 👇 全文结束 👇