把一本几百页的扫描书、或者一份特别长的 PDF 转成能编辑、能检索的文字，你多半干过这活。
做法通常也差不多：先切成几十段，一段一段丢进 OCR（光学字符识别）跑，跑完再一段一段拼回去。麻烦全在接缝处，表格从中间断开、页码和页眉混进了正文、前后顺序还错了位。拼完还得人肉再校一遍，一下午就搭进去了。
百度最近开源了一个专门治这个的文档 OCR 模型，叫 Unlimited-OCR。它最大的不同是，几十页能一次读完，最多能到40多页，中间不用切、也不用拼。
想让 AI 读懂一份长资料、帮你总结或者问答，很多人的第一反应是模型不够聪明，于是忙着换更强的大模型、改提示词。卡点常常在更靠前那道：几百页的东西，压根没被完整、按顺序地变成文字。
地基没打好，上面盖什么都是歪的。
那长文档为什么难一次读完呢？问题出在传统办法的两条路上，两条都别扭。
一条是一页页独立 OCR，每页各读各的。跨页的表格被从中间劈成两半，上一页的话和下一页接不上，读出来是一地碎片。另一条是让模型像人那样从头读到尾、边读边往外写。这条听着对，可模型边读边得把已经读过、写过的东西都攥在手里（技术上叫 KV cache，你把它理解成模型的短期记忆就行）。文档越长，它要记的越堆越多，内存越吃越紧、速度越拖越慢，读到后半程就顶不住了。这就是长文档最头疼的「内存墙」。撞了墙，就只能退回去切成小段再拼，绕一圈又回到老地方。
Unlimited-OCR 做的事，是让模型「要记住的东西」始终保持在一个恒定的量，不随文档变长而膨胀。于是它能一口气读几十页，不用切。
它读长文档的样子，很像一个人安静地抄书。原件始终摊在桌上，随时能抬头看（这一头它永远看得见）；但脑子里并不需要记住已经抄下的每一句，只要记着刚写完的最后一句、好接上下一句就够了。原件常看，自己写过的只留最近一点点，这样一个人就能匀速地一直抄下去，不会越抄越晕、越抄越慢。百度团队自己的说法，是让模型有了点像人抄写时的那种工作记忆。
这套路子的源头，是 DeepSeek-OCR 那条「光学压缩」的思路。就是让模型「看」文字，而不是一个字一个字地「读」——把一页纸当成一张图来看，用少得多的信息量装下同样多的内容。DeepSeek-OCR 能把一页纸压成原来十几分之一的信息量，还能保住90%以上的识别准确率。百度是顺着这条路又往前推了一步，专门解决长文档一次读不完的卡点。
跟老式 OCR 比，这类「看图」的模型还有一个好处：它读出来的不只是一堆字，而是带着版面结构的文字——表格还是表格，标题、正文、阅读顺序都尽量保住，而不是把一页纸拍扁成一行行零散的字符。多栏排版的论文、带表格和公式的资料、扫描得歪歪扭扭的旧页，都是它想啃下来的对象。对下游想拿这些文字去喂 AI 的场景来说，结构这一层很关键。
它在 GitHub 上开源没多久，已经攒了约1.2万颗 star。在一个常用的文档解析评测榜 OmniDocBench 上，它的成绩从基座 DeepSeek-OCR 的约87分提到了约93分，高出6分多；在长文档这种最吃内存的场景里，它还比 DeepSeek-OCR 快了约35%，而且一口气读下来，出错的地方也不算多。有意思的是它本身并不大，总共约30亿参数，真正干活时激活的只有约5亿——不是靠堆大取胜，是架构上想了个巧办法。
把整本教材、一沓合同、几十页的研报或论文喂给 AI 之前，得先把它们变成干净、连贯的文字；自己搭知识库、让 AI 翻着资料回答问题，第一步也是这个。这一步稳了，后面 AI 答得准不准，地基才算打牢。
比如手上有本300页的扫描版行业报告，想做成随时能问答的资料库。老办法是先切成几十份分别识别，跨页的表格、图表底下的注解，最容易在拼接的时候错位，光校对就得耗掉大半天。换成能一次吃下几十页的模型，跑几趟，整本书就成了顺序不乱、表格还在的文字，省下的正是中间来回切、来回拼那道功夫。反过来，要是只有一两页的短东西，真用不着它这套，普通 OCR 或者直接把 PDF 交给能读文档的大模型就够了；它值钱的地方，就在能对付又长又难的整本资料。
怎么上手？开源没几天，vLLM、SGLang 这些主流推理框架就先后支持了它，手上有 GPU（显卡）的，用它们几行命令就能把模型跑起来。嫌麻烦、只想先看看效果的，官方还挂了个免登录的在线 demo，丢一份文件进去，就能看它读成什么样。
当然，它不是万能的。它是一个要跑起来的模型，不是打开就能用的 App，电脑上没有 GPU 就自己跑不了，所以现在主要还是开发者、有卡的人在用。所谓「一次读完」，上限也就是几十页，名字里那个 Unlimited（无限）更多是个愿景，别真拿1000页去为难它。它也才开源没多久（6月下旬的事），面对各种脏乱的扫描件、手写体到底稳不稳，社区还在验证，我自己也没在所有场景里都试过，心里有个数就好。
长文档的「内存墙」是这类工具一直卡在那儿的一道坎，能有人正面把它啃下来，对天天要把大部头资料喂给 AI 的人来说，是件好事。
这东西是百度开源的，GitHub 上就叫 Unlimited-OCR。
说实话，我挺愿意看到有人在这种地基上使劲的。
#马力的AI知识分享#
#马力的AI开源项目分享#马力的AI知识分享#
