百度开源了一个 OCR 模型，光上个月在 HuggingFace 上就被下载了 165 万次，名字却没多少人听过。 它叫 Unlimited-OCR，3B … · @bkdgiffug · TwKit

@bkdgiffug

百度开源了一个 OCR 模型，光上个月在 HuggingFace 上就被下载了 165 万次，名字却没多少人听过。 它叫 Unlimited-OCR，3B 参数，搁自己电脑上就能跑。 传统 OCR 处理 PDF，往往是一页页切开识别，页与页之间的上下文很容易断掉。 Unlimited-OCR 换个打法：整份文档的页面一次性喂进去，连续做多页解析。 官方给这招起了个名，叫"一次性长视野解析"。 上下文窗口拉到了 32K。 PDF 先按 300dpi 转成图片，再整批送进模型。 单张图片有两种模式。 gundam 切块处理，base 按整页处理，多页和 PDF 只用 base。 部署门槛不算高。 Transformers、vLLM、SGLang 都有现成教程，vLLM 还给了 Docker 镜像。 SGLang 能直接起一个兼容 OpenAI 接口的服务。 训练支持 ms-swift。 国内用户在 ModelScope 和百度智能云上也能直接用。 项目 6 月 22 日发布，目标写得很直白：把 DeepSeek-OCR 再往前推一步。 论文已经上了 arXiv。 算笔账。 Textract、Google Vision、Azure 这类云端 OCR，每千页大概收 1.5 到 15 美元。 放在自己机器上跑，这笔按页计费的钱就省下来了。 想先看效果，HuggingFace 上有在线 Demo。 🔗 https://huggingface.co/baidu/Unlimited-OCR 🔗 https://github.com/baidu/Unlimited-OCR

曝光 735 · 评论 3 · 点赞 6 · 书签 3