百度基于 DeepSeek OCR 推出的 Unlimited OCR，通过 R-SWA 机制实现 32K 上下文长程解析，OmniDocBench v1.5 端到端 SOTA 达 93.23%。
百度基于 DeepSeek OCR 推出的 Unlimited OCR，通过 R-SWA 机制实现 32K 上下文长程解析，OmniDocBench v1.5 端到端 SOTA 达 93.23%。
DeepSeek OCR 留下的一个长文档解析难题，被百度接住了。百度在 HuggingFace 上开源了新模型 Unlimited OCR，在标准最大上下文长度 32K 的条件下，让 OCR 模型第一次能够一口气读完整本书——不是逐页处理，不是 for-loop 式拆任务，也不是靠外部调度器拼结果，而是真正意义上的一次前向推理直接完成数十页文档解析。本篇拆解它解决了什么问题、怎么用、以及开源后能干什么。
把它理解成「能读长文档的 DeepSeek OCR Plus」。它直接构建在 DeepSeek OCR 的基础之上——视觉压缩部分 DeepSeek OCR 已经做到极致（一张 1024×1024 文档页编码后只剩 256 个视觉 token），Unlimited OCR 没有重做编码器，而是把全部精力放在解码阶段。项目主页一句话点题：「push DeepSeek-OCR one step further」。
为什么 DeepSeek OCR 视觉 token 压缩这么狠，还是很难处理长文档？答案在解码端。
视觉 token 压缩之后，模型生成的文本不会凭空消失。随着输出越来越长，解码器里的 KV Cache 会不断增长：输出越长，显存占用越高；历史越长，注意力计算越重；生成速度越来越慢。
这就是为什么过去大多数 OCR 系统最终都退回到逐页解析模式——再高效的编码器，也解决不了解码阶段不断膨胀的历史负担。
关键不是「能不能处理多页」，而是「能不能在不退化到逐页模式的前提下处理」——Unlimited OCR 选了后者。
Unlimited OCR 引入的核心机制是 R-SWA（Rotary Sliding Window Attention，旋转滑动窗口注意力）。它解决的问题直白：在不牺牲长程依赖建模能力的前提下，控制注意力计算成本。简单说，模型既能看到几十页之前的内容，又不让计算量随页数指数级爆炸——这是它能一次跑完整本书的底层原因。
在文档解析主流基准 OmniDocBench v1.5 上：
OmniDocBench v1.5 是文档解析领域的标准基准，93.23% 意味着在真实文档（论文、教材、合同等）的端到端提取上达到当前最佳水平。
由于一次前向推理能处理数十页，Unlimited OCR 特别适合：
模型已在 HuggingFace 开源，权重和代码可直接拉取：
💡 提示：因为是建立在 DeepSeek OCR 之上，已经在用 DeepSeek OCR 的工程可以平滑迁移，主要是替换注意力实现和加载新权重，不需要重做数据管线。
阿里发布视频生成模型 HappyHorse 1.1，五大维度升级，1080P 每秒 1.2 元降为 0.9 元，附实测对比与体验地址。
火山引擎 Seed-Audio 1.0 升级为影视级全要素直出，一段提示词即可生成多角色对话、音效与背景音乐，接近成片级声音。
百度开源 Unlimited OCR，3B 总参数 / 500M 激活的端到端 OCR 模型，刷新 OmniDocBench SOTA，单次推理转录数十页文档不失忆。
