6月23日消息，百度在 Hugging Face 发布 Unlimited-OCR，定位"One-shot Long-horizon Parsing"——一次性解析长文档，不需要分页裁切再拼接。3B 参数，MIT 协议开源，模型权重、推理代码和 GitHub 仓库同步上线。
模型卡上写得很直接："aiming to push DeepSeek-OCR one step further"。Unlimited-OCR 基于 DeepSeek-OCR 架构构建，继承了其视觉压缩（Contexts Optical Compression）的核心思路，但在长文档连续解析上做了针对性优化。致谢部分列出 DeepSeek-OCR、DeepSeek-OCR-2 和 PaddleOCR 三个项目。 需要澄清一个常见混淆：Unlimited-OCR 发布在 baidu/ 命名空间下，不是飞桨团队的 PaddlePaddle/ 系列。它和 PaddleOCR-VL（0.9B 参数，NaViT + ERNIE 架构）是完全不同的产品线。百度内部目前有两条 OCR 技术路线并行。
技术拆解：Gundam 模式与 Base 模式
Unlimited-OCR 提供两种推理配置。Gundam 模式（base_size=1024，image_size=640，crop_mode=True）适合单页文档，通过裁切拼接的方式处理高分辨率图像。Base 模式（image_size=1024，crop_mode=False）处理全图，用于多页文档和 PDF 批量解析。多页和 PDF 场景仅支持 Base 模式。
推理管线支持三种输入：单张图片（infer）、多张图片序列（infer_multi）、PDF 自动转图再批量解析（通过 PyMuPDF 实现页面光栅化）。SGLang 部署方案已同步提供，支持 OpenAI 兼容 API 和流式输出。关键参数包括 max_length=32768（最大生成 Token 数）和 no_repeat_ngram_size=35（防止输出重复的 n-gram 过滤窗口）。
从代码结构看，Unlimited-OCR 复用了 DeepSeek-OCR 的 NGram 重复抑制逻辑（DeepseekOCRNoRepeatNGramLogitProcessor），这进一步印证了它的技术血统。
三条 OCR 路线怎么选
2026 年开源 OCR 赛道形成了三条清晰的技术路线：
DeepSeek-OCR-2（3B 参数，2026 年 1 月发布）：核心创新是 DeepEncoder V2 的 Visual Causal Flow 机制，用 LLM 风格的编码器替代传统 CLIP，在 OmniDocBench v1.5 上得分 91.09%。强在阅读顺序准确性和视觉压缩效率，弱在复杂金融文档上准确率下降 15-25%。
PaddleOCR-VL-1.6（0.9B 参数，2026 年 5 月发布）：超轻量级，NaViT + ERNIE-4.5-0.3B 架构，在 OmniDocBench v1.6 上达到 96.33% SOTA。支持 109 种语言，包括藏文和孟加拉文。强在资源效率和多语言覆盖，适合边缘部署。
Unlimited-OCR（3B 参数，2026 年 6 月发布）：基于 DeepSeek-OCR 架构，聚焦长文档一次性解析。目前没有公开基准测试数据——论文标注"Coming soon"，这是最大的不确定性。
选型建议：如果优先考虑轻量部署和多语言，PaddleOCR-VL-1.6 是当前最优解；如果处理大量英文商业文档且有 GPU 预算，DeepSeek-OCR-2 有最完整的基准验证；Unlimited-OCR 适合想要长文档端到端解析的早期尝鲜者，但需等待基准数据公布后再做生产决策。
对开发者和内容创作者的实际价值
独立开发者和内容创作者天天处理 PDF、扫描件、合同、发票、学术论文。传统 OCR 流程需要分页、裁切、逐页识别、再拼接——Unlimited-OCR 的"一次性长文档解析"直接砍掉了这个工作流中最繁琐的环节。
MIT 协议意味着可以直接集成到商业产品中，无需担心授权问题。3B 参数的模型在单张消费级 GPU（16GB VRAM）上可以运行，不需要企业级算力。配合 vLLM 或 SGLang 部署，可以搭建本地化的文档解析 API，数据完全不出本地环境——对处理敏感文档的场景（法律、财务、医疗）尤其重要。
局限与风险
第一，没有基准数据是最大的红旗。模型卡上论文标注"Coming soon"，没有在 OmniDocBench 或 Fox 等标准测试集上公布成绩。没有基准对比，就无法判断 Unlimited-OCR 相对于 DeepSeek-OCR-2 和 PaddleOCR-VL-1.6 的实际性能差距。在技术报告发布之前，任何关于"性能更强"的说法都是猜测。
第二，模型刚发布不到 48 小时，Hugging Face 上的月下载量仅 47 次，社区反馈几乎为零。没有经过大规模用户验证的模型，在边缘案例（歪斜扫描、水印文档、手写体、低分辨率图片）上的表现完全未知。DeepSeek-OCR 在基准上达到 97% 但生产环境降到 75-80% 的案例表明，基准成绩和实际部署之间存在巨大鸿沟。
第三，"基于 DeepSeek-OCR 架构"意味着它继承了同样的局限。DeepSeek-OCR 系列在超过 10 倍压缩比时准确率急剧下降，1200+ Token 的文档仅 59.1% 精度；金融报表的编辑距离（0.289）几乎是基准成绩（0.134）的两倍。Unlimited-OCR 是否解决了这些问题，在没有技术报告的情况下无法判断。
AI 速览
