百度近日低调开源了一款名为Unlimited OCR的模型，其总参数仅30亿，实际激活参数仅500M，却在文档解析领域展现出惊人的性能。在OmniDocBench v1.5基准测试中，该模型以93.23%的综合得分刷新端到端OCR的纪录，在v1.6版本中更将成绩提升至93.92%，远超参数规模大数十倍的Qwen3-VL和Gemini-2.5 Pro等知名模型。
传统OCR模型在处理长文档时普遍存在"逐页失忆"问题，即每处理完一页就清空上下文记忆，导致跨页信息丢失。这种技术瓶颈源于标准注意力机制下KV缓存随输出长度指数级增长，迫使模型不得不牺牲连贯性来维持运行效率。百度研发团队通过模拟人类抄书时的认知模式，提出革命性的参考滑动窗口注意力机制（R-SWA），成功突破这一技术困局。
R-SWA机制的创新性在于其"全局可见、局部记忆"的设计理念。在视觉输入端，模型始终保持对完整文档图像的全面感知；在文本输出端，则仅保留最近128个token的上下文记忆。这种设计使KV缓存形成固定容量的队列结构，无论处理多长的文档，内存占用始终保持恒定。测试数据显示，该模型在输出6144个token时，处理速度比同类模型快35%，且内存占用不随文档长度增加。
支撑Unlimited OCR性能的另一核心技术是DeepEncoder视觉压缩模块。该模块能将1024×1024分辨率的PDF页面压缩至256个视觉token，压缩率达16倍。这种极致压缩不仅没有损失关键信息，反而通过减少冗余数据提升了模型的处理效率。配合R-SWA机制，模型在标准32K上下文窗口内，可一次性完成数十页文档的完整解析。
在具体性能指标上，Unlimited OCR展现出全方位优势。处理20页文档时，其转录结果与原文的编辑距离仅0.057；即使输入超过40页，该指标仍控制在0.11以下。在重复内容检测中，Distinct-35指标高达97%，证明模型能有效避免机械性复读。在文本、公式、表格等九类文档的细分测试中，该模型在七项指标上领先同类产品，特别是在阅读顺序理解和复杂公式识别方面表现突出。
技术文档中一个引人注目的细节是作者署名方式。项目核心成员包括Youyang Yin、Huanhuan Liu和技术总监YY，其中技术总监采用双字母缩写署名。行业观察者通过对比技术路线和人员履历发现，YY的真实身份很可能是前DeepSeek OCR团队负责人魏浩然。这位曾主导开发GOT-OCR2.0和DeepSeek-OCR系列的技术专家，其研究风格与Unlimited OCR展现出的系统化创新特征高度吻合。
此次开源的Unlimited OCR模型已同步上线GitHub和HuggingFace平台，包含完整代码和预训练权重。该项目的推出标志着OCR技术从工程优化阶段向认知架构创新阶段跃迁，其采用的R-SWA机制被技术文档描述为"通用解析任务的免费午餐"，暗示百度可能将该技术扩展至语音识别、机器翻译等领域。当前模型已展示出理解整本书内容的潜力，研发团队正在探索将上下文窗口扩展至128K的技术路径。
