夜雨聆风无需怀疑，长文档OCR已经成为当下诸多行业发展的基础，甚至是提升信息获取效率的有利保证，在OCR技术发展的这些年里，虽然时间跨度不小，可我们也能看出一个有趣的规律，那就是最初的阶段，主要是编码设计的时代，OCR的发展重点是建立高效的视觉token化方案，我们现在使用的很多视觉编码，其实都是当时所打造的基础，例如DeepSeek OCR的DeepEncoder就是如此。
而在接下来的阶段中，OCR的发展开始走向解码技术，准确地说，是长输出解码的优化，因为有了R-SWA机制的提出，使得长文档解析开始出现突破，第一个阶段造就了DeepSeek的编码体系，第二个阶段造就了R-SWA的解码突破，而现在，则开始进入第三个阶段，我们已经身处变革之中。
实际上，每一个OCR变革时代的出现，都是为了解决长文档解析继续向前推进的问题，目前长文档OCR的发展，同样也是如此，简单来说，就是KV Cache的线性膨胀与解码成本相比，已经出现严重的不成正比例的情况。
以OmniDocBench v1.5基准为例，这并不一个跨模型的对比节点，只是标准化的文档解析评测，可尽管如此，采用传统长文档OCR的模型，在使用了更优化的预处理和更先进的内存管理后，性能提升也才达到93.23%总分，如果剔除这些因素，那么传统模型对长文档解析性能的提升，很可能连DeepSeek OCR的边际改进都没有，可成本却是DeepSeek OCR模型的超过6个百分点。
还有Unlimited OCR近期与DeepSeek OCR的速度对比，Unlimited OCR的推理速度在6000 token时明显更快，而DeepSeek OCR采用完整KV Cache方案，推理速度在长输出场景下甚至慢约35%，但出错的概率却差异不大，反而在有些速度和成本项目上却有领先的优势。
通过这两个案例就能看出，仅仅是一次完整的长文档解析，就已经出现了这么大的速度差异，然而精准度上反而没有明显的下降，而且分析指出，在长文档场景下，传统OCR模型的KV Cache线性膨胀问题，考虑到计算成本的爆炸，将不能持续容忍，也就是说，以后这种模型的解码进程已经遇到瓶颈，用技术报告的话说，就是长程解码或许已经走到尽头。
所以总结起来就是，传统OCR技术能够识别，可到了长文档输出就慢了很多，可计算成本却成倍的提升，这在工程上是行不通的，那么怎么办呢？上面我们提到了，OCR的发展经历了编码设计和解码效率两个主要历史阶段，现在就是进入第三个历史阶段，智能遗忘机制，准确的说，是R-SWA滑动窗口注意力，是解码端的核心优化。
上面我们提到的Unlimited OCR模型的核心，其实就是采用R-SWA机制，通过精心设计的注意力优化的结果，我们看到，解码成本大幅下降，但精准度却依然出色，而这就要提到我们今天的主角，百度Unlimited OCR，目前是开源社区的长文档OCR新星。
文章猜测，Unlimited OCR的技术负责人，之前可能服务于DeepSeek，现在则又为其后续发展提供了引擎之前DeepSeek推出了强大的编码体系，毫无疑问，这为我们发展长文档OCR提供了基础，现在百度Unlimited OCR则又传出了好消息。
其表示，在OmniDocBench v1.5文档解析基准上取得93.23%总分，比DeepSeek OCR高约6个百分点，据悉该模型已经正式开源在HuggingFace和GitHub，总参数量未知，但推理效率显著提升，所以我们看到，智能遗忘机制已经成为长文档AI发展的新引擎，目前包括国内多家研究团队都在大力投资类似技术。
对于我们国内AI研究团队的发展，传统模型恐没想到会这么快，毫无疑问，这对传统模型来说造成了压力，因为智能遗忘机制主要就是为了减少对全注意力机制的使用，实际上这样的情况已经出现了一些端倪，例如在6000 token输出时，DeepSeek OCR的推理效率从，如果按实际数据算，性能差距已经明显拉大，但目前的测试不会超过几十页。
而且近日百度还表示，已经发布了新的模型，实现了在长文档解析上，无需依赖全自注意力机制；其他团队方面也成立了一个研究联盟，同样是在智能遗忘机制方面的努力。
