百度开源Unlimited OCR模型：30亿参数碾压千亿级模型

Unlimited OCR：小参数量刷新文档解析性能纪录

  百度近日低调开源了一款名为 Unlimited OCR 的模型，其总参数仅 30 亿，实际激活参数仅 500M，却在文档解析领域展现出惊人的性能。在 OmniDocBench v1.5 基准测试中，该模型以 93.23% 的综合得分刷新端到端 OCR 的纪录，在 v1.6 版本中更将成绩提升至 93.92%，远超参数规模大数十倍的 Qwen3-VL 和 Gemini-2.5 Pro 等知名模型。

突破「逐页失忆」：参考滑动窗口注意力机制（R-SWA）

  传统 OCR 模型在处理长文档时普遍存在「逐页失忆」问题，即每处理完一页就清空上下文记忆，导致跨页信息丢失。这种技术瓶颈源于标准注意力机制下 KV 缓存随输出长度指数级增长，迫使模型不得不牺牲连贯性来维持运行效率。百度研发团队通过模拟人类抄书时的认知模式，提出革命性的参考滑动窗口注意力机制（R-SWA），成功突破这一技术困局。

  R-SWA 机制的创新性在于其「全局可见、局部记忆」的设计理念。在视觉输入端，模型始终保持对完整文档图像的全面感知；在文本输出端，则仅保留最近 128 个 token 的上下文记忆。这种设计使 KV 缓存形成固定容量的队列结构，无论处理多长的文档，内存占用始终保持恒定。测试数据显示，该模型在输出 6144 个 token 时，处理速度比同类模型快 35%，且内存占用不随文档长度增加。

DeepEncoder 视觉压缩模块：16 倍压缩率下的高效解析

  支撑 Unlimited OCR 性能的另一核心技术是 DeepEncoder 视觉压缩模块。该模块能将 1024×1024 分辨率的 PDF 页面压缩至 256 个视觉 token，压缩率达 16 倍。这种极致压缩不仅没有损失关键信息，反而通过减少冗余数据提升了模型的处理效率。配合 R-SWA 机制，模型在标准 32K 上下文窗口内，可一次性完成数十页文档的完整解析。

全方位领先：多项指标验证卓越性能

  在具体性能指标上，Unlimited OCR 展现出全方位优势。处理 20 页文档时，其转录结果与原文的编辑距离仅 0.057；即使输入超过 40 页，该指标仍控制在 0.11 以下。在重复内容检测中，Distinct-35 指标高达 97%，证明模型能有效避免机械性复读。在文本、公式、表格等九类文档的细分测试中，该模型在七项指标上领先同类产品，特别是在阅读顺序理解和复杂公式识别方面表现突出。

核心团队与技术延续性

  技术文档中一个引人注目的细节是作者署名方式。项目核心成员包括 Youyang Yin、Huanhuan Liu 和技术总监 YY，其中技术总监采用双字母缩写署名。行业观察者通过对比技术路线和人员履历发现，YY 的真实身份很可能是前 DeepSeek OCR 团队负责人魏浩然。这位曾主导开发 GOT-OCR2.0 和 DeepSeek-OCR 系列的技术专家，其研究风格与 Unlimited OCR 展现出的系统化创新特征高度吻合。

开源与未来展望

  此次开源的 Unlimited OCR 模型已同步上线 GitHub 和 HuggingFace 平台，包含完整代码和预训练权重。该项目的推出标志着 OCR 技术从工程优化阶段向认知架构创新阶段跃迁，其采用的 R-SWA 机制被技术文档描述为「通用解析任务的免费午餐」，暗示百度可能将该技术扩展至语音识别、机器翻译等领域。当前模型已展示出理解整本书内容的潜力，研发团队正在探索将上下文窗口扩展至 128K 的技术路径。