一、开篇：别再手动折腾它了
做文档解析的同行大概率踩过这种坑：一本合同扫描件，传统 OCR 跑完后还得人工核对段落顺序，跨页表格断成两半，图片和公式被错误归类，整套流程下来比手动录入还累。GitHub 上 23632 颗 Star 的 Unlimited-OCR 直接瞄准了这个长期痛点，用「一次推理完成长跨度文档解析」的思路，把整篇文档当作一个整体来处理，而不是逐页拼凑。
二、项目定位：它解决的是什么问题
Unlimited-OCR 由百度于 2026 年 6 月开源，定位是「One-shot Long-horizon Parsing（一次性长跨度解析）」时代的代表作，核心关键词是：整篇文档上下文统一建模、多页连贯解析、vLLM/SGLang 高吞吐部署。项目主线是在 DeepSeek-OCR 基础上进一步解决多页文档的全局一致性问题，配套 Hugging Face 模型、Baidu Cloud、vLLM、SGLang、ms-swift 训练、Hugging Face Spaces Demo 等完整生态，半个月内完成了从论文到生产级推理栈的全链路铺设。
三、核心功能深度解析
1. 单图双配置：gundam 与 base 自适应
单图推理提供两套配置：gundam 模式（base_size=1024、image_size=640、crop_mode=True）适合复杂版面，通过切片+全局上下文组合提升小字与公式识别；base 模式（base_size=1024、image_size=1024、crop_mode=False）走全图直推，速度更快。开发者只需在 model.infer() 里切换三个参数，就能根据文档质量选择精度优先还是吞吐优先。
2. 多页/PDF 一次性解析
项目主打能力是 model.infer_multi()，把多页图像或整本 PDF 一次性喂给模型，统一输出结构化结果。ngram_window=1024 的设置在跨页重复模式抑制和上下文保持之间取得平衡，配合 PDF 转图（PyMuPDF 300 DPI），整本技术手册、论文集都能一次跑完。
3. 三套推理后端，部署无门槛
Transformers 适合本地调试；vLLM 提供官方 Recipe 与 vllm/vllm-openai:unlimited-ocr 镜像（CUDA 13.0 与 Hopper 专用 cu129 双版本），走生产级高吞吐；SGLang 则面向极致流式吞吐，--enable-custom-logit-processor 配合 DeepseekOCRNoRepeatNGramLogitProcessor 抑制重复 token，对长文档尤为关键。三套后端覆盖了从原型到生产的完整路径。
4. 训练侧打通 ms-swift
对二次开发团队而言，模型已被纳入 ModelScope ms-swift 训练框架，可直接做 LoRA、全量微调，省去自行搭建 Trainer 的成本。
四、技术亮点与性能数据
项目支持 max_length=32768 的上下文窗口，配合 no_repeat_ngram_size=35 的去重约束，能稳定处理数十页级别的长文档。架构上延续 DeepSeek-OCR 的视觉编码 + 大语言模型路径，并引入长跨度注意力机制，让模型在生成过程中始终「看得见」前文版面信息。vLLM 与 SGLang 的官方适配意味着在 A100/H100 集群上可以跑出与通用 LLM 服务相当的吞吐量，文档解析不再是 GPU 利用率的瓶颈。生态层面兼容 PyTorch 2.10、Transformers 4.57、PyMuPDF 1.27.2.2 等主流版本，并已发布到 Hugging Face、ModelScope、Baidu Cloud 三大模型仓库。
五、适用场景与人群
- 金融/法务文档数字化：合同、招股书、判决书需要保留段落、表格、图注的对应关系；
- 学术论文与技术手册归档：跨页公式、参考文献、图表编号必须在同一上下文中识别；
- 企业内部知识库构建：批量 PDF 入库前一次性解析，减少后处理 ETL 工作量。
不适合纯单页简单票据识别（这类任务传统 PaddleOCR 更轻量），也不适合对实时性要求极高但预算有限的场景（长上下文模型对显存仍有要求）。
六、竞品对比
| 项目 | 多页长跨度 | 主流推理后端 | 训练微调支持 | Star 数 |
|---|---|---|---|---|
| Unlimited-OCR | ✅ 原生支持 | vLLM/SGLang/Transformers | ms-swift | 23.6K |
| DeepSeek-OCR | 部分支持 | Transformers | 社区方案 | 高 |
| PaddleOCR | ❌ 单页为主 | 自有引擎 | PaddlePaddle 全套 | 高 |
| GOT-OCR2.0 | 部分支持 | Transformers | 社区方案 | 中 |
差距在于：Unlimited-OCR 把「长跨度」做成了一等公民，从模型结构到推理后端再到训练框架全部打通，工程完成度领先一档。
七、如何快速上手
最简流程四步走：
- 准备 Python 3.12.3 + CUDA 12.9 环境，安装
torch==2.10.0、transformers==4.57.1、pymupdf==1.27.2.2等依赖； - 用
AutoModel.from_pretrained('baidu/Unlimited-OCR', trust_remote_code=True, torch_dtype=torch.bfloat16)加载模型； - 单图调
model.infer()，多页/PDF 调model.infer_multi()，prompt 用<image>document parsing.或<image>Multi page parsing.； - 生产部署直接拉
vllm/vllm-openai:unlimited-ocr镜像，或按官方 Recipe 走 vLLM / SGLang 启动脚本。
跑通 Demo 后可尝试：把 image_size 在 640/1024 之间切换对比效果；用 SGLang 的 infer.py 对 examples/ 目录批量推理，验证并发吞吐。
八、总结与行动建议
Unlimited-OCR 的核心价值是把「多页文档解析」从「逐页 OCR + 后处理拼接」升级为「一次性端到端推理」，配合三套生产级推理后端和训练框架，工程链路相当完整。建议有文档智能化需求的团队直接接入 Hugging Face Spaces 试用，或拉取 vLLM 镜像在自有集群上做压测，把省下来的人工核对工时变成可量化的 ROI。
- GitHub：https://github.com/baidu/Unlimited-OCR
- 模型：https://huggingface.co/baidu/Unlimited-OCR
- 论文：https://arxiv.org/abs/2606.23050
- Demo：https://huggingface.co/spaces/baidu/Unlimited-OCR
值得一试的理由只有一句话：当你下一次面对一本几百页的 PDF 时，Unlimited-OCR 让你不用再熬夜拼页码。
