【AI工具推荐】百度甩出王炸!22000星OCR神器,百页合同一次扫完,DeepSeek都得叫前辈

百度甩出王炸！22000星OCR神器，百页合同一次扫完，DeepSeek都得叫前辈

你可能不知道，AI圈最近被一份"百页PDF"搞得鸡飞狗跳。

不是谁的论文泄露了，而是一个叫 Unlimited-OCR 的开源项目，直接把"文档识别"这件事的天花板掀了——一次性输入，不限页数，不限长度，整份PDF从头吃到尾，结构化输出。

6月22日上线，不到两个月 GitHub 狂揽 22,900+ Star，日均涨星 400+，直接冲上 GitHub Python 语言 Trending 榜 Top 7。更猛的是，连 DeepSeek-OCR 的作者都被它"推了一步"——项目 README 里写得明明白白："push DeepSeek-OCR one step further"。

出自百度，MIT 协议，论文同步挂 arXiv。

这不是又一个"调包OCR"，而是一场文档解析的范式革命。

🔥 它到底解决了什么问题？

做过程序员、法务、财务、咨询的朋友都知道：长文档解析是AI管线的噩梦。

传统OCR工具面对一份100页的合同，你得做什么？

• 逐页切片送进去识别

• 每页单独处理，上下文断裂

• 跨页表格？直接崩

• 多栏排版？字序乱飞

• 一页一页拼回去？人工成本直接拉满

这就是所谓的 "碎片化OCR" —— 你能识别每一页，但你理解不了整份文档。

Unlimited-OCR 的解法很暴力：One-shot Long-horizon Parsing（一次性长程解析）。

翻译成人话就是：你把整份PDF丢给它，它从第一页吃到最后一页，中间不断、不乱、不丢上下文。

不是RAG切片检索，不是分页拼接，而是真正的端到端长文档理解。

💡 核心技术拆解：它凭什么能做到？

🔹 1. "高达模式"（Gundam Mode）：单图精细化识别

Unlimited-OCR 提供了两种识别配置：

模式	base_size	image_size	crop_mode	适用场景
Gundam	1024	640	裁剪增强	单图高精度识别
Base	1024	1024	全图输入	多页/PDF长程解析

Gundam 模式是它的杀手锏之一：对单张图片进行智能裁剪（crop_mode=True），把高分辨率细节"放大再认"，专门对付密集表格、小字体、多栏排版这种硬骨头。

🔹 2. 多页联合推理：不是拼，是"读"

传统工具逐页OCR，每页是独立的。Unlimited-OCR 的 infer_multi 方法会把所有页面作为一个整体送入模型推理——它不是"认字"，而是"读文档"。

这意味着：

• 跨页表格自动对齐

• 连续段落自动衔接

• 章节层级关系自动识别

• 页眉页脚智能过滤

🔹 3. 三大推理后端全覆盖

一个开源项目能不能落地，看部署生态。Unlimited-OCR 直接打通了三个主流推理框架：

• Transformers（Hugging Face）：开发调试首选，代码最简洁

• vLLM：生产级高吞吐部署，官方 Docker 镜像直接拉

• SGLang：批量推理利器，自动启动服务器+并发请求

三个后端，同一套模型权重，零改代码切换。这不是"demo级开源"，是"生产级交付"。

🔹 4. 结构化输出 + 溯源

输出不是纯文本，而是带结构标记的解析结果：文本块、表格、图片区域、标题层级全部标注。每条内容可以追溯到原文档的具体位置——这在法律、审计、合规场景下极其关键。

🛠️ 上手指南：10分钟跑通第一个Demo

环境要求：Python 3.12+、CUDA 12.9+、torch 2.10+

单图识别（Gundam模式）：使用 Transformers 后端，加载 baidu/Unlimited-OCR 模型权重，指定参数 base_size=1024, image_size=640, crop_mode=True，设置 max_length=32768，即可对单张图片进行高精度结构化识别。

PDF多页解析：先用 PyMuPDF 将 PDF 按 300 DPI 转为图片序列，然后调用 infer_multi 方法，所有页面作为一个整体送入推理，image_size=1024，输出完整的结构化解析结果。

批量推理（SGLang后端）：一行命令搞定：

python infer.py --pdf ./docs/contract.pdf --output_dir ./results --concurrency 8

自动启动 SGLang 服务器，并发处理请求，适合生产环境部署。

📊 对比竞品：OCR 赛道谁更强？

维度	Unlimited-OCR	PaddleOCR	DeepSeek-OCR	商用API
长文档支持	一次性全解析	逐页处理	有限长度	按页计费
开源协议	MIT	Apache 2.0	Apache 2.0	闭源
多部署后端	Transformers+vLLM+SGLang	自有推理	有限	N/A
结构化输出	带溯源标记	基础	基础	有
多页联合推理	端到端	不支持	不支持	不支持
GitHub Star	22.9K	87K	-	-

核心差异：PaddleOCR 是"工具箱"，功能全面但长文档仍是逐页处理；DeepSeek-OCR 开了个好头但长度受限；Unlimited-OCR 直接解决"长文档"这个最痛的点。

🎯 谁最该关注这个项目？

1. 法律/合规团队

合同审查、法规检索，动辄几百页。一次性解析+溯源定位，直接替代人工逐页标注。

2. 财务/审计人员

年报、财报、审计底稿，跨页表格是常态。结构化输出直接对接下游数据分析。

3. AI应用开发者

做RAG管线的朋友应该深有体会：文档解析质量直接决定检索质量。Unlimited-OCR 可以显著提升你的"知识入库"质量。

4. 学术研究/论文处理

批量解析论文PDF，提取结构化内容用于文献综述、知识图谱构建。

💭 雷子说两句

说个真实感受：AI工具的"最后一公里"，往往不是模型能力，而是数据接入质量。

你用的RAG再牛，如果文档解析就是碎的，出来的结果也是碎的。Unlimited-OCR 解决的就是这个"地基"问题——它不性感，但极其关键。

百度的开源策略这两年明显提速了。从 PaddleOCR 的 87K Star 到 Unlimited-OCR 的两个月 23K，节奏越来越快。MIT 协议 + 生产级部署 + 论文支撑，这不是"秀肌肉"，是真正在抢开发者心智。

如果你正在做文档处理相关的AI应用，这个项目值得立刻加入技术栈评估清单。

📎 项目地址：https://github.com/baidu/Unlimited-OCR

📎 论文：https://arxiv.org/abs/2606.23050

📎 在线体验：https://huggingface.co/spaces/baidu/Unlimited-OCR

今日互动：你平时是怎么处理长文档OCR的？逐页切片还是有什么黑科技？评论区聊聊 👇

#百度 #UnlimitedOCR #OCR #开源AI #文档识别 #AI工具 #GitHub #深度学习 #RAG #PDF解析