百度开源 Unlimited OCR：一次推理转录几十页文档，KV 缓存恒定不增长！
百度开源 Unlimited OCR：一次推理转录几十页文档，KV 缓存恒定不增长！
百度新作，用 Reference Sliding Window Attention 替换全部解码器注意力层，32K 长度一次跑完多页文档。
目录
- 1. 项目简介——它是什么？
- 2. 它能做什么？——三大核心能力
- 3. 为什么现有 OCR 不够好？——痛点分析
- 4. 核心原理——R-SWA 机制详解
- 5. 快速上手——三种推理方式
- 6. 适用场景与优缺点
- 7. 总结
1. 项目简介——它是什么？
Unlimited OCR是百度近期开源的端到端 OCR 模型，定位一句话概括：让 OCR 模型像人一样，长时间抄写不掉速。
它的核心目标是在一次前向推理中，把几十页的文档完整转录为文本——不是"一页一页分别 OCR"，而是一口气跑完，效率从头到尾恒定。
项目以 DeepSeek-OCR 为基线，在此基础上做了关键改进：将解码器中所有注意力层替换为自研的Reference Sliding Window Attention（R-SWA），使得 KV 缓存在整个解码过程中保持恒定大小，不再随输出长度线性增长。
🔗 项目地址：https://github.com/baidu/Unlimited-OCR
🔗 论文地址：https://arxiv.org/abs/2606.23050
🔗 Hugging Face 模型：https://huggingface.co/baidu/Unlimited-OCR
🔗 ModelScope 模型：https://modelscope.cn/models/PaddlePaddle/Unlimited-OCR
📜 License：CC BY 4.0
2. 它能做什么？——三大核心能力
| 能力 | 说明 | 配置模式 |
|---|---|---|
| 🖼️单图文档解析 | 一张图片（合同、发票、手写笔记等）一次推理输出完整文本 | gundam（切片模式，高精度）或base（整图模式） |
| 📑多页文档解析 | 多张页面图片一次性送入，联合解析输出连贯文本 | 仅base模式 |
| 📄PDF 文档解析 | 自动将 PDF 转为图片，再进行多页联合解析 | 仅base模式 |
两种图像配置模式的区别：
| 参数 | gundam模式 | base模式 |
|---|---|---|
base_size | 1024 | 1024 |
image_size | 640 | 1024 |
crop_mode | ✅ 开启（切片处理高分辨率图） | 关闭（整图输入） |
| 适用场景 | 单张高清图片 | 多页 / PDF 联合解析 |
3. 为什么现有 OCR 不够好？——痛点分析
近年来端到端 OCR 模型（如 DeepSeek-OCR）让 OCR 再次火了起来。核心思路是用大语言模型（LLM）做解码器，借助语言模型的先验分布来提升识别精度——效果确实好，但代价也很明显：
❌ 传统 LLM 解码器的三大痛点
- KV 缓存线性增长：每生成一个 token 就多一份 KV 缓存，输出越长，显存占用越大
- 推理速度逐渐变慢：KV 缓存膨胀导致注意力计算量持续增长，长序列解码越来越慢
- 无法一次跑完长文档：受显存限制，单次推理往往只能处理 1-2 页
🧠 人类的类比
论文提出了一个非常形象的类比：人类在长时间抄写任务中不会效率下降。你抄写第 1 行和抄写第 100 行的速度是一样的——因为人类有「工作记忆」机制，不需要记住之前所有内容，只需要参考最近的内容就够了。
Unlimited OCR 就是要让模型也拥有这种「工作记忆」能力。
4. 核心原理——R-SWA 机制详解
🔑 关键创新：Reference Sliding Window Attention（R-SWA）
R-SWA 是 Unlimited OCR 的核心创新，它替换了解码器中所有注意力层（不是部分替换，是全部替换！），核心思想：
传统注意力：每个 token 要关注之前所有 token → KV 缓存线性增长 R-SWA： 每个 token 只关注固定窗口内的 token → KV 缓存恒定📐 工作机制
R-SWA 的工作方式可以类比人类的「抄写工作记忆」：
- 滑动窗口：解码时只保留最近
W个 token 的 KV 缓存（类似人类只看最近几行） - 参考锚点：窗口之外不丢弃，而是保留若干关键锚点的 KV 作为「参考」（类似人类偶尔回头看开头或标题）
- 恒定缓存：窗口大小 + 锚点数量固定 → KV 缓存总量恒定，不随输出长度增长
这意味着：
- 显存恒定：无论输出 1000 还是 32000 个 token，KV 缓存占用相同
- 速度恒定：注意力计算量不随序列增长而增加
- 质量保持：参考锚点机制确保模型不会丢失对全局上下文的感知
🏗️ 整体架构
输入图像 ↓ DeepSeek-OCR 编码器（高压缩率） ↓ 视觉 token 序列 ↓ Unlimited-OCR 解码器（全部注意力层替换为 R-SWA） ↓ 32K 长度内的完整文本输出结合 DeepSeek-OCR 编码器的高压缩率（将整页图像压缩为少量 token）+ R-SWA 的恒定 KV 缓存，模型可以在标准 32K 最大长度下，一次推理转录几十页文档。
🔬 更深远的意义
论文特别强调：R-SWA 不只是 OCR 专用——它是一种通用的「解析注意力机制」，同样适用于：
- 🎙️ASR（语音识别）：长时间语音转录
- 🌐翻译：长文档翻译
- 📝任何需要长序列输出的生成任务
5. 快速上手——三种推理方式
Unlimited OCR 提供了三种推理方案，适配不同的部署场景：
方式一：Transformers（最简单，适合单机调试）
环境要求：Python 3.12.3 + CUDA 12.9
pipinstalltorch==2.10.0torchvision==0.25.0transformers==4.57.1 pipinstallPillow==12.1.1pymupdf==1.27.2.2einops==0.8.2单图推理示例：
fromtransformersimportAutoModel,AutoTokenizer model_name='baidu/Unlimited-OCR'tokenizer=AutoTokenizer.from_pretrained(model_name,trust_remote_code=True)model=AutoModel.from_pretrained(model_name,trust_remote_code=True,use_safetensors=True,torch_dtype=torch.bfloat16,)model=model.eval().cuda()# 单图 — gundam 模式（切片，高精度）model.infer(tokenizer,prompt='<image>document parsing.',image_file='your_image.jpg',output_path='output/',base_size=1024,image_size=640,crop_mode=True,max_length=32768,no_repeat_ngram_size=35,ngram_window=128,save_results=True,)多页 / PDF 推理示例：
importtempfile,fitz# PyMuPDF# PDF → 图片转换defpdf_to_images(pdf_path,dpi=300):doc=fitz.open(pdf_path)tmp_dir=tempfile.mkdtemp(prefix='pdf_ocr_')mat=fitz.Matrix(dpi/72,dpi/72)paths=[]fori,pageinenumerate(doc):out=os.path.join(tmp_dir,f'page_{i+1:04d}.png')page.get_pixmap(matrix=mat).save(out)paths.append(out)doc.close()returnpaths# 多页联合解析（仅 base 模式）model.infer_multi(tokenizer,prompt='<image>Multi page parsing.',image_files=pdf_to_images('your_doc.pdf',dpi=300),output_path='output/',image_size=1024,max_length=32768,no_repeat_ngram_size=35,ngram_window=1024,save_results=True,)方式二：vLLM（生产级，高性能推理）
官方提供了专用 Docker 镜像：
# 默认版（CUDA 13.0）dockerpull vllm/vllm-openai:unlimited-ocr# Hopper GPU 版（CUDA 12.9）dockerpull vllm/vllm-openai:unlimited-ocr-cu129部署指南详见：https://recipes.vllm.ai/baidu/Unlimited-OCR
方式三：SGLang（支持批量并发推理）
适合需要批量处理大量图片或 PDF 的场景：
安装：
uv venv--python3.12source.venv/bin/activate uv pipinstallwheel/sglang-0.0.0.dev11416+g92e8bb79e-py3-none-any.whl uv pipinstallkernels==0.11.7 uv pipinstallpymupdf==1.27.2.2启动服务：
python-msglang.launch_server\--modelbaidu/Unlimited-OCR\--served-model-name Unlimited-OCR\--attention-backend fa3\--page-size1\--mem-fraction-static0.8\--context-length32768\--enable-custom-logit-processor\--disable-overlap-schedule\--skip-server-warmup\--host0.0.0.0\--port10000批量推理（自动启动 SGLang 服务，并发请求）：
# 图片目录批量处理python infer.py\--image_dir./examples/images\--output_dir./outputs\--concurrency8\--image_modegundam# PDF 文档批量处理python infer.py\--pdf./examples/document.pdf\--output_dir./outputs\--concurrency8\--image_modegundam6. 适用场景与优缺点
✅ 最佳适用场景
| 场景 | 说明 |
|---|---|
| 📚 长文档数字化 | 合同、论文、书籍等几十页文档一次性转录 |
| 📋 表单/发票批量处理 | 企业级文档自动化 |
| 🔍 档案检索预处理 | 先 OCR 转文本，再做语义检索 |
| 🎙️ 长语音转录 | R-SWA 同样适用于 ASR 场景 |
| 🌐 长文本翻译 | R-SWA 的恒定缓存对翻译也有优势 |
⚖️ 优缺点对比
| 优点 | 缺点 |
|---|---|
| 🟢 KV 缓存恒定，长序列推理不掉速 | 🔴 需要较强 GPU（推荐 bfloat16 + CUDA 12.9+） |
| 🟢 32K 长度一次跑完多页文档 | 🔴 模型权重较大，部署门槛高于轻量 OCR |
| 🟢 gundam 模式切片处理，高分辨率图也精准 | 🔴 多页/PDF 只支持 base 模式，精度略低于 gundam |
| 🟢 三种推理方案覆盖调试到生产 | 🔴 SGLang 需要安装特定 wheel，环境配置稍复杂 |
| 🟢 R-SWA 是通用机制，适用 ASR/翻译等 | 🔴 项目刚开源（2026.06），生态和文档还在早期 |
| 🟢 百度出品 + 有论文支撑，质量可信 | 🔴 No-repeat ngram 参数需手动调优（size=35, window=128/1024） |
7. 总结
Unlimited OCR 解决的是端到端 OCR 模型的一个根本性问题：长序列推理时 KV 缓存膨胀导致的效率下降。它用 R-SWA（Reference Sliding Window Attention）替换全部解码器注意力层，让 KV 缓存恒定不变，实现了「像人一样长时间抄写不掉速」的效果。
结合 DeepSeek-OCR 编码器的高压缩率，模型在标准 32K 长度下一次推理就能转录几十页文档。而且 R-SWA 不限于 OCR——它本质上是一种通用的长序列解析注意力机制，对 ASR、翻译等任务同样有价值。
三种推理方案（Transformers / vLLM / SGLang）从单机调试到生产部署全覆盖，百度还提供了 Hugging Face Spaces 在线 demo，你可以先去体验再决定是否本地部署。
推荐指数：⭐⭐⭐⭐⭐ (5/5)
百度在 DeepSeek-OCR 基础上做出了真正的架构级创新，R-SWA 的恒定 KV 缓存设计对整个长序列生成领域都有启发意义。开源权重 + 论文 + 三种推理方案，诚意十足。
原文链接：https://github.com/baidu/Unlimited-OCR
论文链接：https://arxiv.org/abs/2606.23050
License：CC BY 4.0
标签：#百度 #UnlimitedOCR #OCR #深度学习 #R-SWA #KV缓存 #长序列推理 #开源项目
分类：原创文章