Unlimited-OCR
百度 3.3B、MIT 许可证的 OCR 模型,一次解析几十到上百页文档,注意力内存保持有界。
一句话概括. Unlimited-OCR 能把扫描页和 PDF 转成文字。大多数使用语言模型的 OCR 模型,输出越长就越慢、占用内存越多;这个模型被设计成两者都保持平稳,所以一份很长的文档可以一次读完。它很小,只有 33 亿参数,采用 MIT 许可证。
概述
百度于 2026 年 6 月 22 日发布 Unlimited-OCR,作为 DeepSeek-OCR 的后续,并于 2026 年 10 月 27 日发布 Unlimited-OCR 2。两者都有约 33 亿参数,以 BF16 发布,约 6.7 GB,使用与 DeepSeek-OCR 同类的混合专家解码器:64 个路由专家,每个 token 选 6 个,另有 2 个共享专家。两者均采用 MIT 许可证。百度的思路是:语言模型解码器的输出越长,KV 缓存不断累积,就越慢越重,而人抄写长文时并不会变慢。
第一个模型把解码器的每一层注意力换成参考滑动窗口注意力(R-SWA),在解码过程中保持 KV 缓存不变。百度称它能在 32K 长度限制内,一次前向传播转录几十页文档。Unlimited-OCR 2 更进一步,采用稀疏参考滑动窗口注意力(SR-SWA),把注意力限制在一组固定的工作参考内,例如 512 个 token,因此无论文档多长,每个解码步骤的代价几乎不变。百度报告在百页规模下,解码步骤比全注意力快 7.0 倍,比第一代设计快 5.6 倍,并在 MPDocBench 和 MarathonDocBench 上取得最好成绩;MarathonDocBench 是百度为此专门创建的百页文档基准。这些数字都出自百度自己的报告。
模型读取的是页面图像,所以 PDF 要先转成图像;示例以 300 dpi 渲染页面,并把它们一起发送,让模型能利用跨页上下文。文档里给出了单页用“document parsing.”、多页用“Multi page parsing.”之类的提示词。它可以通过使用自定义代码的 Transformers 运行,也可用 SGLang(Unlimited-OCR 2 推荐)运行,第一代还支持 vLLM。百度在 80 GB 的 A800 上测试了 Unlimited-OCR 2,并未给出最低内存。第一个仓库把权重存了两份,所以实际下载约 6.7 GB。
适合做什么
- 一次请求把长 PDF 和多页扫描件转成 Markdown,并利用跨页上下文
- 在单张显卡上做大批量文档数字化,因为模型很小
- 研究输出变长时内存占用保持不变的解码器的研究者
- 商业使用,因为权重采用 MIT 许可证
需要注意
- 两个版本是不同的设计,推荐的服务端也不同,请测试你打算部署的那一个
- 需要 trust_remote_code 和特定的库版本,请固定你的环境
- MarathonDocBench 的结果来自百度自己创建并自己报告的基准
- 原始输出带有版面标记,在某些基准和流程中需要先去掉
性能数据来自开发方,未经独立验证。
需要多少内存?
以下为 Unlimited-OCR-2 版本的估算。混合专家模型虽然每个 token 只用到部分专家,但所有专家都必须装进内存:总参数量决定所需内存,激活参数量决定速度。
| 版本 | 参数量 | BF16 | FP8 / INT8 | 4-bit (Q4) | 可运行于 |
|---|---|---|---|---|---|
| Unlimited-OCR-2 BF16 | 3.34B | 7.68 GB | 3.84 GB | 2.3 GB | 笔记本或手机 |
| Unlimited-OCR BF16 | 3.34B | 7.68 GB | 3.84 GB | 2.3 GB | 笔记本或手机 |
估算方法:权重大小加约 15% 的运行开销。实际占用会随上下文长度增长,也取决于所用的软件。
许可证,用大白话说
最简短、最宽松的许可证。只要保留版权和许可声明,你几乎可以对模型做任何事。
延伸阅读
常见问题
- Unlimited-OCR 是什么?
- Unlimited-OCR 能把扫描页和 PDF 转成文字。大多数使用语言模型的 OCR 模型,输出越长就越慢、占用内存越多;这个模型被设计成两者都保持平稳,所以一份很长的文档可以一次读完。它很小,只有 33 亿参数,采用 MIT 许可证。
- Unlimited-OCR 可以商用吗?
- 可以。Unlimited-OCR 采用 MIT 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- Unlimited-OCR 是开源的吗?
- Unlimited-OCR 采用 MIT 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 Unlimited-OCR 吗?
- 可以。最小版本 Unlimited-OCR-2 在 4 位精度下约需 2.3 GB 内存,现代笔记本或中端显卡即可胜任。
- Unlimited-OCR 是什么时候发布的?
- Unlimited-OCR 由 Baidu 于 2026年6月22日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- Unlimited-OCR-2 model card (Hugging Face) huggingface.co
- Unlimited OCR Works 2 (technical report) arxiv.org
- Unlimited-OCR model card (Hugging Face) huggingface.co
- Unlimited OCR Works (technical report) arxiv.org
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| DeepSeek-OCR 2 DeepSeek | 3.39B | – | Apache 2.0 (宽松) | 2.34 GB 笔记本或手机 | |
| GLM-OCR Z.ai (Zhipu AI) | 900M | – | MIT (宽松) | 0.621 GB 笔记本或手机 | |
| PaddleOCR-VL Baidu | 960M | – | Apache 2.0 (宽松) | 0.662 GB 笔记本或手机 | |
| ERNIE 5.5 Flash Base Baidu | 280B 激活 14B | 1M | ERNIE 5.5 Flash Base (附条件) | 193 GB 大内存台式机 |