长文档OCR一步到位:几十页PDF直接出结构化结果

PDF、扫描件、合同、年报，以前OCR出来是一堆散字，还得再写脚本拼版面和阅读顺序。百度开源的 Unlimited-OCR 把这事砍成了一步：一个模型读完整份长文档，直接输出结构化内容。你省掉的是整条预处理管线。

① 不是又一个OCR，是“吞下整份文档”的解析器

Unlimited-OCR 是百度在 Deepseek-OCR 基础上往前推了一步的多模态模型，目标是一次性解析完整份长文档，而不是逐张图识别后再拼接。传统方案（Tesseract、PaddleOCR）处理不了跨页表格和复杂版面，Unlimited-OCR 直接理解版面结构并保留语义顺序。

关键参数：max_length 支持到 32768，意味着一次推理可以带住几十页的上下文。这类长文档任务的真正难点不是“认字”，而是“记住前文”，这也是它跟传统OCR拉开差距的地方。

② 四个值得盯的细节

gundam/base 双模式：gundam 用 640px 分辨率+crop 模式，速度快、适合手机截图和长图；base 用 1024px 分辨率，精度优先，适合扫描件。同一个权重，按场景切配置，不用重训。

三个推理引擎，按预算选：官方给了 Transformers、vLLM、SGLang 三套部署方式。vLLM 有现成 Docker 镜像，一条 pull 命令起服务，兼容 OpenAI API；SGLang 支持流式输出。

多页 PDF 原生支持：用 PyMuPDF 把 PDF 按 300dpi 转成图片再批量喂入，跨页表格的上下文不丢。多页模式下 n-gram 窗口从 128 放宽到 1024，抑制重复的同时保留长程信息。

自定义 no-repeat n-gram：官方的 no_repeat_ngram_size=35 配合 ngram_window，能压制长文档生成时的重复段落。这个细节对合同、年报这类措辞高度模板化的文本很有用。

集成方面，ms-swift 支持微调训练、ModelScope 和百度云可下载权重、HuggingFace Spaces 有在线 Demo，从训到部署链路是完整的。

③ 跑起来的真实门槛

硬性要求是 NVIDIA GPU，建议 ≥24GB 显存，官方测试环境是 Python 3.12.3 + CUDA 12.9。Transformers 推理最短只需要：

model_name = 'baidu/Unlimited-OCR'

AutoModel.from_pretrained(model_name, trust_remote_code=True)

单图调用 model.infer()，多页和 PDF 走 model.infer_multi()，传 prompt='document parsing.' 或 'Multi page parsing.' 即可，输出直接存目录。

vLLM 部署更省事，两张 Docker 镜像按 GPU 架构选：

docker pull vllm/vllm-openai:unlimited-ocr

# Hopper GPU 用 vllm/vllm-openai:unlimited-ocr-cu129

SGLang 则需先装官方 wheel 再 pip 固定 kernels==0.11.7，适合要低延迟、流式输出的生产场景。

环境配置比传统OCR繁，但换来的是不用再维护“检测+识别+版面分析+排序”四条流水线。

④ 谁该立刻试一版

做 RAG 管线的开发者。之前 PDF 解析要先过 OCR 出 block，再自己拼阅读顺序，拼错一点下游召回就崩。Unlimited-OCR 把顺序问题一并解决，输出直接进向量库。

律所和银行的技术团队。合同条款、财报附注动辄几十页，跨页表格是传统 OCR 的软肋，这个模型在长文档上下文上就是为这类场景设计的。

学术工具开发者。论文 PDF 转 Markdown 时，公式、表格、标题层级的保留靠的是版面理解能力，而不是字符识别率。crop_mode=True 处理双栏论文也够用。

如果只是偶尔识别几页图，用它不划算——有更轻的现成 API。但如果你每天处理上千份长文档，省掉人工重排版面的时间就很可观。

⑤ 更深的算盘：开源背后的占位逻辑

变现路径清晰：做云文档解析 SaaS，按页计费，vLLM 做 serving 成本压得下来；或者私有化部署卖给金融、法律机构，收年费 License。300dpi 的 PDF 解析质量已经达到商用交付标准。

技术路线信号更值得关注：百度同时打通了 vLLM、SGLang、ms-swift、ModelScope，等于把训练、推理、部署全链路开源。对比 GPT-4V 那种闭路 API，中小团队能用它搭自己的私有解析服务，不用把合同数据交给第三方。

从 Deepseek-OCR 到 Unlimited-OCR，路径已经明确：OCR 的竞争从单张图准确率，转向了多页长文档的理解深度。先在这条路上占位的开源模型，会吃掉下一波文档智能化的需求。

🔗 工具链接

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

👇 长按二维码，关注这个号

AI 帮你筛能挣钱 / 省时间的工具，每天一个挣钱路