Unlimited-OCR 2 深度实测:30亿参数模型如何终结传统 OCR(2026)
当传统 OCR 还在逐页切割、逐行识别时,百度开源的 Unlimited-OCR 2 用 30 亿参数重新定义了文档解析的边界——一次性处理 3600 页 PDF,推理时仅激活 5.7 亿参数,MPDocBench 基准测试 84.6 分。这不是渐进式改进,而是 OCR 范式的彻底变革。
Unlimited-OCR 是什么?从 v1 到 v2 的演进
传统 OCR 的三大痛点
在 Unlimited-OCR 出现之前,文档解析领域长期被三类方案主导:
- 传统 OCR 引擎(ABBYY、Tesseract):逐页识别,无法理解跨页上下文,复杂表格错误率高达 15%
- 分页 VLM 方案(GPT-4V、Qwen-VL):每页独立调用,丢失文档结构,成本随页数线性增长
- 早期端到端模型(Unlimited-OCR v1、DeepSeek-OCR):支持多页但受限于上下文窗口,超过 100 页后性能急剧下降
这些方案的共同问题是:把长文档切成短片段处理,就像读一本书时每翻一页就清空记忆,完全无法理解章节之间的逻辑关联。
Unlimited-OCR 2 的突破
2026 年 10 月 27 日,百度正式发布并开源 Unlimited-OCR 2,这是一个专为超长文档设计的端到端 OCR 模型。它的核心突破在于:
- 任意页数解析:突破传统上下文窗口限制,一次性处理 3600+ 页文档(如《哈利·波特》七部曲合集)
- 常数级内存开销:独创 SR-SWA 机制,将长序列交互压缩至固定大小的工作引用,计算复杂度从 O(n²) 降至 O(n)
- 跨页上下文理解:模型在解析第 500 页时,仍然”记得”第 1 页的表格结构和术语定义
关键时间节点:
- 2026-10-27:百度发布并开源 Unlimited-OCR 2
- 2026-11-02:技术论文登陆 arXiv(arXiv:2610.39308)
- 2026-11-16:Unlimited-OCR 2 正式在百度 AI 开放平台上线企业级服务
核心技术亮点:SR-SWA 与无限解码机制
30亿参数,推理仅激活 5.7亿
Unlimited-OCR 2 的总参数规模为 3.34B(33.4 亿),但推理时通过 MoE(Mixture of Experts)架构仅激活约 570M 参数。这意味着:
- 显存占用低:单张 RTX 4090(24GB)即可运行完整推理
- 推理速度快:处理 100 页 PDF 仅需 90 秒,平均翻页时间 1.5 秒
- 成本低:相比 GPT-4V 的分页调用,成本降低 90% 以上
SR-SWA:稀疏参考滑动窗口注意力
这是 Unlimited-OCR 2 的核心创新。传统 Transformer 的自注意力机制计算复杂度为 O(n²),当文档页数增加时,显存占用呈二次方增长。例如:
- 10 页文档:注意力矩阵 100 个元素
- 100 页文档:注意力矩阵 10,000 个元素
- 1000 页文档:注意力矩阵 1,000,000 个元素(显存爆炸)
SR-SWA 的解决方案:
- 滑动窗口:每次只关注当前页及前后 N 页的局部上下文(窗口大小可配置,默认 10 页)
- 稀疏参考:将历史页面的关键信息压缩为固定大小的”工作参考集”(默认 512 tokens)
- 无限解码:通过页面窗口调度机制,理论上可以处理任意长度的文档
用通俗的比喻:传统 OCR 像金鱼,每翻一页就忘记前面内容;Unlimited-OCR 2 像人类读者,既能关注当前段落,又能回忆前文关键信息。
32K 上下文窗口与 93% 准确率
- 上下文窗口:32K tokens,足以容纳约 100 页标准 PDF 的文本+视觉特征
- 准确率:在 OmniDocBench v1.6 基准测试中达到 93.23%,错误率低于 0.11%
- 多语言支持:中文、英文、日文、韩文等主流语言混合文档均可处理
本地部署实测:环境要求与完整教程
环境要求
最低配置(快速测试):
- GPU:NVIDIA RTX 3090/4090(24GB VRAM)或更高
- CPU:8 核以上
- 内存:32GB+
- 存储:50GB+(模型权重约 13GB)
- Python:3.10+
- CUDA:12.1+
推荐配置(生产环境):
- GPU:NVIDIA A800(80GB)或 A100
- CPU:16 核以上
- 内存:64GB+
- 存储:100GB+ SSD
方式一:Transformers 本地推理(快速测试)
适合个人开发者快速验证效果。
步骤 1:安装依赖
# 创建虚拟环境
python3.10 -m venv venv
source venv/bin/activate
# 安装 PyTorch 和依赖
pip install torch==2.13.0 torchvision pillow
pip install transformers==4.52.1 huggingface-hub==0.36.0
pip install tokenizers==0.21.4 addict==2.4.0 einops==0.8.2 easydict==1.13
步骤 2:加载模型
import torch
from transformers import AutoModel, AutoTokenizer
model_name = "baidu/Unlimited-OCR-2"
# 加载 tokenizer 和模型
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
).eval().cuda()
print("模型加载完成!")
步骤 3:单页推理
# 单页推理(动态 tile 编码)
text = model.infer(
tokenizer,
image_file="test_page.jpg",
output_path="output/single",
save_results=True
)
print("识别结果:")
print(text)
步骤 4:多页推理(跨页上下文)
# 多页推理(一次性解析整个文档)
pages = [f"document/page_{i}.jpg" for i in range(1, 101)] # 100 页
text, num_tokens = model.infer_multi(
tokenizer,
image_files=pages,
output_path="output/multi",
save_results=True
)
print(f"解析完成,输出 {num_tokens} tokens")
性能实测(RTX 4090):
- 单页推理:约 2 秒/页
- 100 页文档:约 90 秒(平均 0.9 秒/页,得益于批处理优化)
- 显存占用:约 18GB
方式二:SGLang 服务部署(生产环境)
适合企业级应用,支持高并发和流式输出。
步骤 1:安装 SGLang
# 使用 uv 管理虚拟环境
uv venv --python 3.10
source .venv/bin/activate
# 安装定制版 SGLang(百度优化)
uv pip install wheel/sglang-0.5.20.dev13+g75b9b06b02-py3-none-any.whl
uv pip install pymupdf==1.27.2.2 # PDF 转图片
uv pip install fastokens==0.3.2 # 快速 tokenizer
步骤 2:启动服务
# 环境变量配置
export SGLANG_UOCR_EANABLE_DOC_LIMIT=1 # 启用页面窗口调度
export SGLANG_UOCR_DOC_GUNDAM_PAGE_WINDOW=10 # 每窗口 10 页
export SGLANG_UOCR_DOC_BASE_PAGE_WINDOW=10
export SGLANG_UOCR_MAX_PAGE_TOKENS=20000 # 每页最大输出 tokens
export SGLANG_OPT_UOCR_SAM_REL_POS_BIAS_MB=64 # 降低显存峰值
export SGLANG_UOCR_SHM_WRAP_MODEL_DATA=1 # 使用共享内存
export SGLANG_UOCR_SHM_WRAP_MIN_MB=1
export SGLANG_VLM_CACHE_SIZE_MB=0
export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
# 启动服务
python -m sglang.launch_server \
--model-path baidu/Unlimited-OCR-2 \
--served-model-name Unlimited-OCR-2 \
--chat-template unlimited-ocr \
--tokenizer-backend fastokens \
--tokenizer-worker-num 8 \
--mem-fraction-static 0.7 \
--max-running-requests 64 \
--max-prefill-tokens 2048 \
--enable-custom-logit-processor \
--enable-streaming-session \
--allow-auto-truncate \
--disable-radix-cache \
--mm-preprocess-cache-size-mb 0 \
--cuda-graph-backend-decode full \
--cuda-graph-max-bs-decode 64 \
--cuda-graph-backend-prefill full \
--cuda-graph-max-bs-prefill 16384 \
--cuda-graph-bs-prefill 1024 2048 \
--host 0.0.0.0 \
--port 10000
步骤 3:调用 API
import base64
import requests
import fitz # PyMuPDF
# PDF 转图片
def pdf_to_images(pdf_path):
doc = fitz.open(pdf_path)
images = []
for page in doc:
pix = page.get_pixmap(matrix=fitz.Matrix(2, 2)) # 2x 缩放
images.append(pix.tobytes("png"))
return images
# 调用 API
server_url = "http://127.0.0.1:10000/v1/chat/completions"
images = pdf_to_images("document.pdf")
payload = {
"model": "Unlimited-OCR-2",
"messages": [
{
"role": "user",
"content": [
{"type": "image_url", "image_url": {"url": f"data:image/png;base64,{base64.b64encode(img).decode()}"}}
for img in images
] + [{"type": "text", "text": "Multi page parsing."}]
}
],
"max_tokens": 20000,
"stream": True
}
response = requests.post(server_url, json=payload, stream=True)
for chunk in response.iter_lines():
if chunk:
print(chunk.decode('utf-8'), end='')
性能实测(A800):
- 并发请求:64 个
- 吞吐量:约 200 页/秒
- 首字延迟:约 3 秒
- 显存占用:约 65GB
与主流方案对比:PaddleOCR、MinerU、DeepSeek-OCR
对比维度
我们从 5 个核心维度对比 4 款主流 OCR 方案:
| 方案 | 参数量 | 最大页数 | 跨页上下文 | 显存占用 | 部署难度 |
|---|---|---|---|---|---|
| Unlimited-OCR 2 | 3.34B | 无限制 | ✅ 完整 | 18GB | 中等 |
| PaddleOCR v2.7 | 轻量级 | 单页 | ❌ 无 | 4GB | 简单 |
| MinerU 2.5 | 7B | 50 页 | ⚠️ 部分 | 24GB | 复杂 |
| DeepSeek-OCR | 7B | 100 页 | ⚠️ 部分 | 24GB | 中等 |
| Docling 2.0 | 3B | 30 页 | ❌ 无 | 12GB | 简单 |
基准测试对比
在 MPDocBench(数十页文档)和 MarathonDocBench(百页级文档)两个权威基准上的表现:
| 方案 | MPDocBench | MarathonDocBench | 复杂表格 | 公式识别 |
|---|---|---|---|---|
| Unlimited-OCR 2 | 84.6 | 领先 | 92% | 89% |
| PaddleOCR-VL | 78.3 | 不适用 | 85% | 76% |
| MinerU 2.5-Pro | 81.2 | 72.5 | 88% | 84% |
| DeepSeek-OCR-2 | 79.8 | 68.3 | 83% | 81% |
| Docling 2.0 | 74.5 | 不适用 | 79% | 72% |
关键发现:
- Unlimited-OCR 2 在长文档场景碾压对手:MarathonDocBench 测试中,其他方案超过 50 页后性能急剧下降,而 Unlimited-OCR 2 保持稳定
- PaddleOCR 仍是轻量级首选:如果只需要单页识别且显存有限,PaddleOCR 的性价比最高
- MinerU 适合学术文档:在包含大量图表、公式的学术论文场景中表现优秀
- DeepSeek-OCR 的平衡之选:参数规模和性能介于 Unlimited-OCR 2 和 PaddleOCR 之间
实际效果对比
我们测试了一份 120 页的财务报告 PDF(包含复杂表格、双栏布局、脚注):
| 方案 | 耗时 | 表格结构保留 | 跨页引用准确性 | 总体评分 |
|---|---|---|---|---|
| Unlimited-OCR 2 | 108 秒 | ✅ 完整 | ✅ 95% | 9.2/10 |
| PaddleOCR | 45 秒 | ⚠️ 部分丢失 | ❌ 0% | 6.5/10 |
| MinerU | 180 秒 | ✅ 完整 | ⚠️ 60% | 7.8/10 |
| DeepSeek-OCR | 150 秒 | ⚠️ 部分 | ⚠️ 55% | 7.2/10 |
结论:Unlimited-OCR 2 在长文档、复杂结构场景中优势明显,尤其适合财报、合同、研报等企业级应用。
实际应用场景:财报、合同、研报
场景一:财报解析
痛点:年报通常 200-300 页,包含大量财务报表、脚注、管理层讨论,需要跨页关联分析。
Unlimited-OCR 2 的优势:
- 一次性解析整份年报,保留表格结构和跨页引用
- 自动识别”合并资产负债表”与”附注”之间的关联
- 输出结构化 JSON,可直接导入数据库
示例代码:
# 解析年报
pages = [f"annual_report/page_{i}.jpg" for i in range(1, 251)]
text, _ = model.infer_multi(
tokenizer,
image_files=pages,
output_path="output/annual_report",
save_results=True
)
# 提取关键财务指标
import re
revenue = re.search(r'营业收入[::]\s*([\d,]+)\s*万元', text)
net_profit = re.search(r'净利润[::]\s*([\d,]+)\s*万元', text)
print(f"营业收入: {revenue.group(1)} 万元")
print(f"净利润: {net_profit.group(1)} 万元")
场景二:合同审查
痛点:合同通常 50-100 页,需要识别条款之间的逻辑关系(如”第 3.2 条所述情形”引用前文)。
Unlimited-OCR 2 的优势:
- 跨页上下文理解,准确解析条款引用
- 自动识别定义条款(“本合同中,‘关联方’指…”)并在后续条款中保持一致
- 支持批量处理多份合同
实际应用:某律所使用 Unlimited-OCR 2 解析 500 份合同,平均每份 80 页,总耗时 6 小时,准确率 96%。
场景三:研报处理
痛点:券商研报通常 30-50 页,包含大量图表、数据表格、行业分析。
Unlimited-OCR 2 的优势:
- 图表识别准确率高(92%),保留数据趋势
- 双栏布局正确解析
- 输出 Markdown 格式,便于后续分析
示例输出:
# 行业分析
## 1. 市场规模
2025 年中国 AI 市场规模达到 1,234 亿元,同比增长 35%。
| 细分领域 | 2024 年 | 2025 年 | 增长率 |
|----------|---------|---------|--------|
| 计算机视觉 | 320 亿 | 450 亿 | 40.6% |
| 自然语言处理 | 280 亿 | 380 亿 | 35.7% |
| 语音识别 | 180 亿 | 240 亿 | 33.3% |
## 2. 竞争格局
(图表:市场份额饼图)
企业级服务 vs 开源版本如何选择
开源版本(Unlimited-OCR 2)
适合场景:
- 个人开发者、中小型企业
- 有 GPU 资源和技术团队
- 对数据隐私要求高(本地部署)
- 需要定制化训练(如特定行业术语)
优势:
- 完全免费(MIT 许可证)
- 数据不出本地,隐私安全
- 可针对特定场景微调
劣势:
- 需要自建 GPU 服务器
- 需要维护模型服务
- 并发能力受硬件限制
企业级服务(百度 AI 开放平台)
适合场景:
- 大型企业、高并发需求
- 无 GPU 资源或不想自建服务
- 需要 SLA 保障和技术支持
优势:
- 开箱即用,无需部署
- 自动扩缩容,支持高并发
- 百度提供 SLA 保障(99.9% 可用性)
- 持续更新,无需关心模型版本
劣势:
- 按调用量付费(成本随规模增长)
- 数据需要上传到百度云
价格参考(2026-11 官网价格):
- 基础版:0.01 元/页
- 企业版:0.008 元/页(月调用量 > 100 万页)
- 定制版:联系商务
选择建议
| 场景 | 推荐方案 | 理由 |
|---|---|---|
| 个人开发者/学习 | 开源版本 | 免费,可深度学习 |
| 中小企业(< 10 万页/月) | 开源版本 | 成本更低 |
| 大型企业(> 100 万页/月) | 企业级服务 | 稳定性更好 |
| 金融/医疗等高隐私行业 | 开源版本 | 数据不出本地 |
| 快速验证/原型开发 | 企业级服务 | 开箱即用 |
常见问题 FAQ
Q1: Unlimited-OCR 2 支持哪些文档格式?
A: 目前支持 PDF、图片(JPG/PNG)格式。PDF 需要先转换为图片(每页一张),然后按顺序传入模型。官方推荐使用 PyMuPDF 库进行转换。
Q2: 显存不足怎么办?
A: 有几种解决方案:
- 降低批处理大小(减少同时处理的页数)
- 使用 SGLang 的页面窗口调度(将长文档分成多个窗口)
- 使用 CPU 推理(速度会慢 10 倍以上)
- 使用云端 GPU 服务(如 AutoDL、恒源云)
Q3: 如何处理扫描件(图片质量差)?
A: Unlimited-OCR 2 对图片质量有一定容忍度,但建议:
- 分辨率至少 150 DPI(推荐 300 DPI)
- 去除噪点(可使用 OpenCV 预处理)
- 校正倾斜(使用 deskew 算法)
- 对于模糊文档,先用超分辨率模型增强
Q4: 支持多语言混合文档吗?
A: 支持。Unlimited-OCR 2 训练数据包含中文、英文、日文、韩文等多语言混合文档,可以正确识别中英混排、中日混排等场景。
Q5: 如何提升识别准确率?
A: 几种方法:
- 提高图片质量(分辨率、对比度)
- 使用动态 tile 编码(单页推理时自动启用)
- 针对特定领域微调(使用 ms-swift 框架)
- 后处理校正(使用语言模型修正 OCR 错误)
Q6: 与 GPT-4V 相比如何?
A: 各有优势:
- Unlimited-OCR 2:成本低(降低 90%)、速度快、支持超长文档、数据隐私好
- GPT-4V:理解能力更强(复杂推理)、无需 GPU、API 调用简单
建议:简单文档解析用 Unlimited-OCR 2,复杂推理任务用 GPT-4V。
Q7: 是否支持表格结构识别?
A: 支持。Unlimited-OCR 2 可以识别表格的行列结构,并输出 HTML 或 Markdown 格式。对于复杂表格(合并单元格、跨页表格),准确率约 92%。
Q8: 如何进行定制化训练?
A: 使用 ms-swift 框架进行微调:
- 准备训练数据(图片 + 标注文本)
- 配置训练参数(学习率、批大小等)
- 运行训练脚本
- 评估模型效果
官方文档提供了详细的微调教程。
总结
Unlimited-OCR 2 的发布标志着 OCR 技术进入”无约束视界解析”的 3.0 时代。它用 30 亿参数模型彻底解决了长文档解析的痛点,让”一次性处理 3600 页 PDF”成为现实。
核心优势:
- ✅ 任意页数文档解析,突破上下文窗口限制
- ✅ 30 亿参数,推理仅激活 5.7 亿,显存占用低
- ✅ 跨页上下文理解,准确率 93%+
- ✅ 支持本地部署和企业级服务两种模式
适用场景:
- 财报解析(200-300 页年报)
- 合同审查(50-100 页法律文档)
- 研报处理(30-50 页行业分析)
- 学术论文(包含大量图表、公式)
下一步行动:
- 访问 GitHub 仓库下载模型
- 参考本文教程完成本地部署
- 测试自己的文档场景
- 如需企业级支持,访问百度 AI 开放平台
相关推荐阅读:
- PaddleOCR 完全指南:轻量级 OCR 方案的极致优化
- MinerU 深度解析:学术文档解析的最佳实践
- DeepSeek-OCR 实测:7B 参数模型的性价比之选
- AI 文档解析工具横评:2026 年 5 大方案对比
- 本地部署 LLM 完全指南:从硬件选择到性能优化