百度开源 Unlimited OCR 模型：基于 DeepSeek OCR，解析文档告别 AI 越生成越慢

6 月 25 日消息，百度于 6 月 22 日开源推出 Unlimited OCR 模型，总参数量 30 亿，推理时仅激活 5 亿参数，目标解决在解析长文档时，端到端 OCR 模型越生成越慢的问题。

注：端到端 OCR 模型是统一神经网络架构系统，融合检测图像中的文本和字符识别，摒弃了传统“先检测文字框、再单独识别”的繁琐流程，直接从输入图像映射到文本序列输出，从而减少信息丢失和计算冗余。

主流端到端 OCR 模型每生成 1 个 token，都会扩大 KV cache（键值缓存），显存占用和延迟随之上升，导致在用户的感知中，AI 解析多页文档后越生成越慢。

Unlimited OCR 延续 DeepSeek OCR 架构，保留 DeepEncoder 与 Mixture-of-Experts（混合专家，MoE）解码器。模型总参数量为 30 亿，但推理时只激活 5 亿参数。

Unlimited OCR 编码端采用两级视觉编码，并在连接阶段执行 16 倍 token 压缩，让 1024×1024 的 PDF 图像压缩为 256 个视觉 token，从源头减轻预填充负担。

训练方面，Unlimited OCR 基于 DeepSeek OCR 检查点继续训练 4000 步，冻结 DeepEncoder，只训练解码器。训练数据约 200 万份文档样本，运行在 8×16 A800 GPU 上。数据配比为单页与多页约 9:1，多页样本通过拼接构造。

基准测试显示，Unlimited OCR 在 OmniDocBench v1.5 上整体得分 93.23，高于 DeepSeek OCR 的 87.01，也高于 DeepSeek OCR 2 的 89.17。

其文本编辑距离为 0.038，公式 CDM 为 92.61，表格 TEDS 为 90.93，读序编辑距离为 0.045。在 OmniDocBench v1.6 上，模型整体得分进一步达到 93.92。

参考

Unlimited OCR Works Welcome the Era of One-shot Long-horizon Parsing

Unlimited OCR Works 的 GitHub 页面（已获 6.8K Star）