百度开源无限OCR，跑通长程解析，核心作者YY疑是来自DeepSeek

文章摘要

【关 键 词】 文字识别、长程解析、百度开源、滑动窗口、解码优化

百度近期开源了Unlimited OCR模型，该模型在标准最大上下文长度32K的条件下，首次实现了一次前向推理直接完成数十页长文档的端到端解析，打破了传统逐页处理的局限。在主流基准OmniDocBench v1.5测试中，Unlimited OCR以93.23%的总分取得端到端最优表现，显著超越了DeepSeek OCR。

该模型直接构建于DeepSeek OCR的基础之上，两者分别聚焦于技术路线的不同环节。DeepSeek OCR通过DeepEncoder实现了输入侧高分辨率文档的极致视觉token压缩，而Unlimited OCR则致力于解决输出侧解码阶段KV Cache不断膨胀导致的显存占用高和生成速度慢的问题。

为突破长程解码瓶颈，研发团队受人类抄书时软遗忘认知状态的启发，提出了参考滑动窗口注意力机制（R-SWA）。该机制将模型关注的信息划分为始终可见的参考信息与仅保留最近128个token的固定容量输出缓冲区。这种设计使得模型在长文本生成过程中，能够保持恒定的KV Cache，从而确保计算开销和显存占用不会随输出长度增加而膨胀。

实验结果表明，Unlimited OCR不仅在复杂版式文档中保持了高准确率，还在长程解析任务中展现出卓越性能。在40页以上的长文档场景中，模型依然维持较低的编辑距离和高文本多样性。随着输出序列长度的增加，R-SWA机制使模型的推理速度保持恒定，彻底解决了传统多头注意力机制在长序列下速度衰减的问题。此外，Unlimited OCR在技术架构与报告风格上与DeepSeek OCR高度契合，显示出两项研究在技术路线上的连贯性与递进关系。

原文和模型

【原文链接】 阅读原文 [ 3782字 | 16分钟 ]
【原文作者】 机器之心
【摘要模型】 qwen3.7-max
【摘要评分】 ★★★★★

阿里云百炼

大模型服务平台是阿里云基于通义大模型等多种大模型的一站式大模型开发平台。