百度开源 Unlimited-OCR：一次识别整篇文档，告别逐行扫描时代

已打包好，国内可直接网盘下载源码： 夸克网盘（提取码：dcWH）

拿到一份 50 页的 PDF 合同，需要把关键条款摘出来，结果 OCR 工具只能一行一行识别，识别完还要手动拼回段落结构，格式全乱了。

或者更惨------扫描的发票、表格、手写笔记混在一起，传统 OCR 直接放弃治疗，识别出来的东西像天书。

百度最近开源的 Unlimited-OCR，就是冲着这些痛点来的。GitHub 上线不到两个月，已经拿下 21000+ Star，热度直接拉满。

它到底能干什么？

简单说，Unlimited-OCR 做的事情是一次性把整页甚至整份文档识别出来，不是逐行扫描，而是直接理解文档的版面结构，输出带格式的完整内容。

核心能力：

单页高精度识别：支持 gundam（裁切增强）和 base 两种模式，单张图片最高支持 1024 分辨率
多页连续识别：多张图片或 PDF 一次性送入，跨页内容自动关联
版面结构保留：标题、段落、表格、列表等结构信息不丢失
PDF 直出：内置 PyMuPDF 转换，PDF 直接进，Markdown 出来

这跟传统 OCR 的区别在哪？传统方案是"识别文字 → 后处理排版"，Unlimited-OCR 是"理解版面 → 输出结构化内容"，思路完全不同。

快速上手：5 分钟跑起来

环境准备

推荐 Python 3.12 + CUDA 12.9，依赖如下：

bash 复制代码

pip install torch==2.10.0 torchvision==0.25.0
pip install transformers==4.57.1
pip install Pillow==12.1.1 matplotlib==3.10.8
pip install einops==0.8.2 addict==2.4.0 easydict==1.13
pip install pymupdf==1.27.2.2 psutil==7.2.2

单张图片识别

python 复制代码

import torch
from transformers import AutoModel, AutoTokenizer

model_name = 'baidu/Unlimited-OCR'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModel.from_pretrained(
    model_name,
    trust_remote_code=True,
    use_safetensors=True,
    torch_dtype=torch.bfloat16,
)
model = model.eval().cuda()

# gundam 模式：裁切增强，适合复杂版面
model.infer(
    tokenizer,
    prompt='<image>document parsing.',
    image_file='contract_page1.jpg',
    output_path='./output',
    base_size=1024, image_size=640, crop_mode=True,
    max_length=32768,
    no_repeat_ngram_size=35, ngram_window=128,
    save_results=True,
)

两种模式怎么选？

模式	base_size	image_size	crop_mode	适用场景
gundam	1024	640	True	单页复杂版面，表格、多栏混排
base	1024	1024	False	多页文档，简单版面

多页 PDF 识别

这才是 Unlimited-OCR 的杀手级功能------多页文档一次性解析：

python 复制代码

import os
import tempfile
import fitz  # PyMuPDF

def pdf_to_images(pdf_path, dpi=300):
    doc = fitz.open(pdf_path)
    tmp_dir = tempfile.mkdtemp(prefix='pdf_ocr_')
    mat = fitz.Matrix(dpi / 72, dpi / 72)
    paths = []
    for i, page in enumerate(doc):
        out = os.path.join(tmp_dir, f'page_{i+1:04d}.png')
        page.get_pixmap(matrix=mat).save(out)
        paths.append(out)
    doc.close()
    return paths

# PDF → 图片列表 → 多页解析
model.infer_multi(
    tokenizer,
    prompt='<image>Multi page parsing.',
    image_files=pdf_to_images('contract.pdf', dpi=300),
    output_path='./output',
    image_size=1024,
    max_length=32768,
    no_repeat_ngram_size=35, ngram_window=1024,
    save_results=True,
)

注意多页模式只能用 base 配置（image_size=1024），ngram_window 也要调大到 1024，防止跨页内容重复。

生产部署：vLLM + Docker

单卡推理够用，但生产环境肯定要上 vLLM 加速。官方已经提供了 Docker 镜像，开箱即用：

bash 复制代码

# CUDA 13.0
docker pull vllm/vllm-openai:unlimited-ocr

# Hopper GPU (CUDA 12.9)
docker pull vllm/vllm-openai:unlimited-ocr-cu129

启动后直接走 OpenAI 兼容 API，对接现有系统零成本。

SGLang 部署：高并发场景

如果并发量更大，SGLang 是另一个选择。它支持流式输出和自定义 logit processor，适合批量处理：

bash 复制代码

# 安装 SGLang
uv venv --python 3.12
source .venv/bin/activate
uv pip install wheel/sglang-0.0.0.dev11416+g92e8bb79e-py3-none-any.whl
uv pip install kernels==0.11.7
uv pip install pymupdf==1.27.2.2

# 启动服务
python -m sglang.launch_server \
    --model baidu/Unlimited-OCR \
    --served-model-name Unlimited-OCR \
    --attention-backend fa3 \
    --page-size 1 \
    --mem-fraction-static 0.8 \
    --context-length 32768 \
    --enable-custom-logit-processor \
    --disable-overlap-schedule \
    --skip-server-warmup \
    --host 0.0.0.0 \
    --port 10000

批量推理脚本也准备好了：

bash 复制代码

# 图片目录批量处理
python infer.py \
    --image_dir ./examples/images \
    --output_dir ./outputs \
    --concurrency 8 \
    --image_mode gundam

# PDF 批量处理
python infer.py \
    --pdf ./examples/document.pdf \
    --output_dir ./outputs \
    --concurrency 8 \
    --image_mode gundam

跟 DeepSeek-OCR 有什么区别？

Unlimited-OCR 明确说了是站在 DeepSeek-OCR 肩膀上往前走了一步。关键差异：

1. 长文档能力

DeepSeek-OCR 主要处理单页，Unlimited-OCR 原生支持多页连续解析，跨页内容自动衔接。这是最大的区别。

2. 重复抑制

引入了 no_repeat_ngram_size + ngram_window 机制，长文本生成时不会出现重复段落。这个参数很关键------单页用 128，多页用 1024。

3. 裁切增强模式

gundam 模式通过裁切策略提升复杂版面的识别精度，这是 DeepSeek-OCR 没有的。

4. 生态支持

百度云、ModelScope、vLLM、SGLang、ms-swift 全都接上了，部署路径比 DeepSeek-OCR 丰富得多。

实战踩坑记录

坑 1：显存不够

模型用的是 bfloat16 精度，单卡至少需要 40GB 显存（A100/A800 级别）。显存不够的话，考虑用 vLLM 的量化部署或者百度云 API。

坑 2：ngram 参数调错

单页场景 ngram_window=128 就够，多页必须调到 1024。调小了会出现段落重复，调大了影响生成速度。别偷懒用默认值。

坑 3：PDF DPI 选择

pdf_to_images 里的 DPI 参数，300 是推荐值。200 以下识别精度明显下降，600 以上显存占用翻倍但精度提升有限。别盲目拉高。

坑 4：输出格式处理

模型输出可能包含 <|det|> 标记（版面检测信息），需要后处理去掉：

python 复制代码

import re

DET_RE = re.compile(r'<\|det\|>([^<\s]+)(?:\s*\[[^\]]*\])?\s*<\|/det\|>(.*)', re.DOTALL)

def remove_det(raw: str) -> str:
    blocks = []
    cur = None
    for line in raw.splitlines():
        line = line.rstrip()
        if not line:
            continue
        m = DET_RE.match(line)
        if m:
            category, content = m.group(1).strip(), m.group(2).strip()
            if category == 'image':
                continue
            if cur is not None:
                blocks.append(cur)
            cur = [content] if content else []
            continue
        if cur is None:
            cur = []
        cur.append(line)
    if cur is not None:
        blocks.append(cur)
    return '\n\n'.join('\n'.join(b) for b in blocks).strip()

适用场景总结

场景	推荐配置	说明
合同/法律文档	gundam + 单页	版面复杂，需要精确识别
学术论文	base + 多页	格式统一，跨页引用多
发票/收据	gundam + 单页	表格密集，精度优先
书籍扫描	base + 多页	页数多，需要连续解析
手写笔记	gundam + 单页	手写体识别需要裁切增强

写在最后

Unlimited-OCR 的意义不只是"又一个 OCR 工具"，它代表了一个方向：从逐行识别到整页理解。当模型能直接理解文档结构，OCR 就不再是"识别文字"的活，而是"理解文档"的活。

对于开发者来说，MIT 协议 + 多种部署方案 + 完善的生态支持，上手成本很低。如果你在做文档处理相关的项目，值得认真试试。

项目地址：https://github.com/baidu/Unlimited-OCR

论文：https://arxiv.org/abs/2606.23050

HuggingFace 模型：https://huggingface.co/baidu/Unlimited-OCR

已打包好，国内可直接网盘下载源码： 夸克网盘（提取码：dcWH）