一、百度 Unlimited-OCR 是什么？32K 字符的超长文档识别利器
百度近期开源的 Unlimited-OCR，是一款专为超长文本识别而生的 OCR 模型。最大亮点在于：单张图像最高可容纳 32768 个字符的识别容量，并原生支持多页 PDF 的端到端解析。相较于此前备受关注的 DeepSeek-OCR，Unlimited-OCR 在长文档处理能力上又向前迈进了一大步。
GitHub 项目地址：https://github.com/baidu/Unlimited-OCR
二、它解决了什么行业痛点？
当前主流的端到端 OCR 方案（包括 DeepSeek-OCR）几乎都采用大语言模型作为解码器，借助语言模型的先验知识来提升识别精度。然而，这种架构存在一个致命缺陷：
输出序列越长，KV 缓存堆积越严重，显存占用呈线性飙升，推理速度越来越慢。
人类抄写几十页材料不会越写越累，模型却会。这种"长尾衰减"现象，在长文档场景下尤为突出。
三、核心思路：模仿人脑的"工作记忆"机制
Unlimited-OCR 的设计哲学非常直观——向人脑的短时记忆机制取经。
人阅读时，不会把整本书硬塞进大脑，而是聚焦于当前正在看的内容，同时在脑中保留一个"参考锚点"用于上下文衔接。Unlimited-OCR 的核心技术 R-SWA（Reference Sliding Window Attention，参考滑动窗口注意力） 正是这一思路的工程化实现：
- 全面替换解码器：将所有标准注意力层替换为 R-SWA
- 计算量大幅压缩：注意力计算复杂度与序列长度解耦
- KV 缓存恒定：显存占用不再随输出长度增长
最终效果：无论处理 1 页还是 100 页文档，推理成本几乎一致。
四、三大典型应用场景
| 应用场景 | 实际效果 |
|---|---|
| 超长文档 OCR | 单次前向推理即可处理数十页内容，在 32K 字符上限内无需切分 |
| 语音识别（ASR） | 同一机制可迁移，长音频转录无需分段，避免断句误差 |
| 机器翻译 | 长文本翻译延迟稳定，不会因段落累积而越来越卡顿 |