OCR 相关 AI 资讯

8月20日

10:11

官方一手Pandaily@contact@pandaily.com (Pandaily)

DeepSeek Harness 发布 v0.1.0 - rc.8 更新，为自公开测试版以来的首次重要更新；本次更新包含 14 项变更，涉及多模态输入与子代理协作等方面；新增原生图像请求与混合文本图像输入功能，使代理能够处理截图；还通过 OCR 与像素分析实现‘视觉’功能，让原本仅支持文本的模型也能‘看见’；

事件专题

推荐理由：DeepSeek Harness 推出 v0.1.0 - rc.8 更新，加了图像请求和多模态功能，比之前能处理更多内容的了。

原文

8月15日

23:12

Viking@vikingmute

百度开源项目 PaddleOCR 和 Unlimited OCR 在 X 平台上获得开发者推荐。PaddleOCR 在纯 CPU 环境下也能运行，日常场景的速度和效果都很好。Unlimited OCR 擅长长文档解析，测试长 PDF 文件时表现出色。

技巧 PaddleOCR Unlimited OCR 百度

推荐理由：百度开源 PaddleOCR 纯 CPU 就能跑，Unlimited OCR 长 PDF 解析强，两个都能直接上手用。

原文

8月11日

09:46

宝玉@dotey

精选

文本水印通过在大模型生成文本时嵌入隐藏标记来工作，例如当A/B两个同义词都可用时始终选择B。另一种方式是遇到C/D两种表达时选择次高概率的D，让文本看起来完全正常。这种水印即使把文本转成图像再用OCR扫描也依然存在，因为水印加在内容本身而非排版。添加和检测都由大模型自动完成，人类难以感知；修改文本可能破坏水印，但人不知道水印加在哪些词上，很难全部破坏。

技巧文本水印 AI水印 OCR

推荐理由：刘群用同义词和表达方式这两个例子，把AI文本水印的机制讲清楚了，看完就懂为什么改字也去不掉。

原文

02:46

官方账号Decoder@Matthias Bastian

精选

Hugging Face与EleutherAI的FineBooks项目测试了14款开源OCR模型，覆盖2000多页历史书籍。表现最好的dots.mocr字符准确率达97.6%，处理每千页成本低于2美元。团队认为该精度已可用于AI训练数据，但尚未达到学术转录标准。

AI模型 OCR FineBooks Hugging Face

推荐理由：Hugging Face和EleutherAI测了14款开源OCR，dots.mocr最准，97.6%准确率，每千页不到2美元，处理旧书够用了。

原文

8月6日

02:47

Jerry Liu@jerryjliu0

精选

LlamaIndex发布博客称，前沿模型在文档理解性能上趋于平缓，GPT-5.5到5.6、Gemini 3.5到3.6、Opus 4.8到5的视觉理解基准无明显提升。跨三个GPT世代，解析准确率仅提升约24点，而每页成本翻了4倍。LlamaParse通过代理模式和低成本模式，在密集表格和图表等复杂边界情况上超越了前沿模型。该公司表示，可将前沿模型蒸馏为参数效率更高的模型，以更低成本实现同等性能。

AI产品 LlamaParse LlamaIndex OCR

推荐理由：LlamaIndex用数据反驳“OCR只是功能”，说LlamaParse比GPT等前沿模型更准更便宜，做文档解析的可以看看。

原文

01:01

LlamaIndex@llama_index

LlamaIndex 对比三代 GPT 模型的文档解析表现，发现精确度只提升约 24 个百分点，但每页成本涨了 4 倍。即便最新一代前沿模型，在 OCR 任务上仍落后于专用解析器。作者认为“大模型会吃掉 OCR”的说法缺乏数据支撑，性能差距还会随成本放大。

AI模型 GPT LlamaIndex OCR

推荐理由：别信“大模型能吃 OCR”。LlamaIndex 用三代 GPT 数据反驳：成本涨 4 倍，精度还落后。

原文

8月4日

20:44

20:44IT之家（博客/媒体）

一段展示中国AI黑板的视频在海外社交媒体引发热议。老师手写公式后，系统实时同步至大屏，圈定函数即可生成动态曲线，手绘草图能瞬间转换为可旋转操控的3D立体模型。该黑板基于光学字符识别与3D剖分技术，底层为全国产算力训练的深度推理大模型。目前AI黑板已进入全国300余个地市、1400多个区县的校园，覆盖超过10万个班级。教师调研显示，课堂问题解答率提升85%，学生课堂参与度提升72%。

AI产品 AI黑板 OCR 3D剖分

推荐理由：看中国AI黑板怎么把板书变3D，国外网友都惊了，这玩意儿已经进了10万间教室。

原文

20:38

Geek@geekbb

doc7 是一个开源项目，能把 PDF、Office 文件、扫描件和截图转换为 Markdown。它同时支持图表、公式和流程图的识别。模型层使用用户自配的 OpenAI 兼容端点，可以本地或私有部署。这样无需单独搭建 OCR、版面、表格、公式识别模型栈。项目代码托管在 GitHub 的 magicrew/doc7 仓库中。

AI产品 doc7 OpenAI 文档转换

事件专题

推荐理由：geekbb 发了 doc7，用你自己配的 OpenAI 兼容模型就能把文档转 Markdown，不用再搭 OCR、公式那套模型栈。

原文

7月25日

10:21

官方一手marktechpost@Asif Razzaq

Datalab 推出 Marker 2，采用三模式管道优化文档解析。该模型在 olmOCR-bench 基准上达到 76.0 分，在单块 B200 GPU 上实现每秒 2.9 页的吞吐量，是 MinerU 管道后端的 5 倍以上。在准确率和速度上，Marker 2 均超过 Docling。文章还对比了 MinerU、Docling 和 LiteParse 的性能差异，帮助用户选择合适方案。

AI产品 Marker 2 MinerU Docling

推荐理由：Datalab 出了 Marker 2，OCR 文档解析又快又准，比 MinerU 快 5 倍，比 Docling 更强，搞文档提取的别错过。

原文

06:14

宝玉@dotey

精选

BaoCut v0.8.2 新增视频画面翻译功能，可对视频中全屏 slides 进行 OCR 识别并添加翻译字幕。推荐使用 Codex Agent 自动化操作，无需人工干预。用户可在 GUI 暂停画面后点击 Screen Text 按钮进行 OCR，支持批量翻译队列。翻译结果以字幕叠加在原始文字上，可直接导出到剪映（CapCut）二次处理。

技巧 BaoCut Codex CapCut

推荐理由：给视频加字幕翻译不用一帧一帧抠了，BaoCut 新功能配合 Codex 自动搞定，还能导出到剪映。

原文

7月24日

13:21

官方一手marktechpost@Sana Hassan

精选

教程演示基于百度Unlimited-OCR模型的完整OCR工作流程，涵盖GPU环境配置、高分辨率图像tiled推理与Base模式对比。支持处理密集布局、表格及跨页内容，实现可复现的端到端流水线。实验表明tiled模式能有效提升高分辨率（如4K以上）图像的识别准确率，而Base模式在速度上更优。

技巧 Baidu Unlimited-OCR OCR

事件专题

推荐理由：手把手教你搭百度Unlimited-OCR流水线，处理高清图和PDF特别稳，还比较了不同模式的速度和精度。

原文

7月23日

11:49

官方账号arXiv cs.AI@Pouria Mahdi, Haq Nawaz Malik

波斯语虽然被超过1.1亿人使用，但其OCR技术远落后于拉丁语系语言，原因是文字复杂且缺乏大规模标注数据。Persian Pixel数据集包含343,000多张高保真图像-文本对，来自精心筛选的700万波斯词语料库。生成管道SynthOCR-Gen模拟了波斯文字连写、字形变体、变音符号等特征，并加入25种以上随机退化模型（如墨迹扩散、纸张老化、模糊等）。该数据集可用于训练TrOCR、Donut等基于Transformer的OCR模型，为低资源复杂文字OCR提供可扩展的合成数据方案。

论文 Persian Pixel OCR 波斯语

推荐理由：做波斯语OCR不用愁数据了，Persian Pixel有34万张合成图加上25种真实退化模拟，直接拿它训模型比手动标注省事得多。

原文

7月22日

23:07

berryxia@berryxia

精选

OCR 将物理文档和图像转为电子文字，是信息抽取、RAG、Agent 等 AI 流程的入口。硬地骇客播客曾强调过这一观点，在 AI 时代依然适用。没有 OCR，后续的文本分析、问答系统难以直接处理非数字化内容。

技巧 OCR RAG Agent

推荐理由：硬地骇客播客聊透了OCR在AI工作流里的基础地位，想做RAG或信息抽取的得先过这关。

原文

21:44

向阳乔木@vista8

百度在GitHub上开源了UnlimitedOCR项目，代码仓库已公布。模型权重托管在HuggingFace，可直接下载。该工具基于文心大模型实现OCR识别功能，支持多种场景的文字提取。

AI模型 UnlimitedOCR 百度文心大模型

事件专题

推荐理由：百度开源了UnlimitedOCR，基于文心大模型做OCR，代码和模型都公开了，直接就能下下来用。

原文

21:24

向阳乔木@vista8

78°

百度推出的 Unlimited OCR 采用 Reference Sliding Window Attention (R-SWA) 机制，将解码阶段 KV Cache 控制在恒定规模，仅用 30 亿参数模型即可连续解析数十页文档。该项目开源次日即登上 GitHub Trending 和 HuggingFace 模型下载趋势榜双第一，目前 GitHub Star 突破 1.65 万，HuggingFace 下载量超 224 万。Yann LeCun 也关注到该项目。

AI模型 Unlimited OCR 百度 R-SWA

事件专题

推荐理由：百度这个 Unlimited OCR 通过 R-SWA 机制解决了长文档 OCR 的拼接问题，30 亿参数就能处理几十页，开源后社区反响超火，连 LeCun 都点赞了。

原文

16:27

berryxia@berryxia

79°

百度开源的 Unlimited OCR 模型再次登上 HuggingFace 全球模型总趋势榜第三名，超过 GLM-5.2。该模型仅 30 亿参数，支持 32K 上下文，可一次性解析 100 页 PDF 且无需分页，40 页后错误率低于 0.11。它采用 R-SWA 机制保持 KV Cache 恒定，解决了长文档 OCR 的显存和效率问题。目前 GitHub Star 超 1.65 万，HuggingFace 下载量达 224 万。

AI模型 Unlimited-OCR 百度开源模型

事件专题

推荐理由：百度开源了个 30 亿参数的 OCR 模型，能一次读完 100 页 PDF，不用分段处理，海外开发者都说好，Yann LeCun 都转了。

原文

7月10日

09:44

官方一手arXiv: DeepSeek@Zuming Huang, Jun Huang, Kexuan Ren, Baode Wang, Weizhen Li, Jianming Feng, Yu Wang, Yichen Yao, Shijun Lin, Yige Tang, Cheng Peng, Weidi Xu, Wei Chu, Yinghui Xu, Yuan Qi

精选

Infinity-Parser2 是一个大型多模态模型，通过可控数据合成管道和多任务强化学习实现端到端文档解析。研究团队构建并开源了包含500万样本的中英双语数据集Infinity-Doc2-5M，涵盖多种文档类型和标注形式。模型采用8个联合训练目标，包括文档解析、布局分析、表格/数学公式/图表/化学公式解析及文档VQA。Infinity-Parser2-Pro 在olmOCR-Bench上达到87.6%，在ParseBench上达到74.3%，超越DeepSeek-OCR-2、PaddleOCR-VL-1.5和MinerU2.5。Flash变体推理吞吐量较Infinity-Parser-7B提升3.68倍。

AI模型 Infinity-Parser2 多模态模型文档解析

推荐理由：Infinity-Parser2 用多任务强化学习搞定文档解析，开源了500万样本数据集，Pro版在OCR基准上刷新纪录，Flash版速度快3倍多。适合做文档智能处理的开发者。

原文

7月9日

06:22

Jerry Liu@jerryjliu0

LlamaIndex 旗下 LlamaParse 推出改进的智能路由层，能根据页面复杂度自动选择文档解析方式。简单文本优先使用低成本 OCR 技术，复杂页面（密集表格、图表）则切换为视觉语言模型（VLM）以保持准确度。用户可一键在产品中切换。该功能旨在降低处理成本，同时保证质量。

AI产品 LlamaParse LlamaIndex OCR

推荐理由：LlamaParse 现在会根据页面难度自动选解析方式，简单文档用 OCR 省成本，复杂表格才上 VLM，想省钱又不想降精度的话可以试试。

原文

7月7日

02:04

Jerry Liu@jerryjliu0

精选

Jerry Liu在AI Engineer World Fair上演讲，探讨如何为AI Agent构建文档上下文层。他分析从2023到2026年代理检索方式的演变，强调文档OCR仍是解锁上下文的关键难题。他提出代理需要提取、搜索等配套工具，并展望标准化代理原生文档格式与专业工作流。内容涵盖基于Agent的RAG优化、智能体工具集成等具体技术路径。

技巧 Jerry Liu AI Agent 文档上下文

推荐理由：Jerry Liu讲透了Agent怎么处理非结构化文档，从OCR到检索到未来工作流，全是干活，搞Agent的同学必看。

原文

7月1日

00:46

官方账号LMSYS Org (SGLang)@lmsysorg

精选72°

SGLang 集成百度无限 OCR 功能，通过参考滑动窗口注意力（R-SWA）替换传统解码注意力，使 KV 缓存大小在整个解码过程中保持恒定。该方案在单次前向传播中可处理最长 32K token 的文本，转录数十页文档。其高压缩率来自 DeepSeek OCR 编码器，且 R-SWA 方法可扩展至 ASR、翻译等任务。

AI产品 SGLang OCR 百度

推荐理由：SGLang 新功能无限 OCR 能一口气处理几十页文档，显存占用不变，比传统注意力省资源，适合长文档批量 OCR 场景。

原文

6月30日

10:24

官方一手arXiv: DeepSeek@Avisha Dilhara, Nevidu Jayatilleke

研究者发布 sinhala-ocr-lk-acts-1010 数据集，包含1,010页来自斯里兰卡立法法案（1981-1989与2000-2019年）的页面级图像与转录文本，划分为707训练、101验证和202测试样本。使用QLoRA在8次实验中微调 DeepSeek-OCR V1、DeepSeek-OCR V2 和 LightOnOCR-2-1B 三个模型。LightOnOCR-2-1B 取得最佳性能，在全部测试样本上字符错误率(CER)为1.05%，优于 Surya-OCR（8.84%）、Tesseract v5（10.69%）和 Google Document AI（2.06%）。该模型在不同印刷年份的文档上表现一致，即使文档严重退化仍保持性能。

论文 sinhala-ocr-lk-acts-1010 LightOnOCR-2-1B DeepSeek-OCR V1

推荐理由：新数据集让僧伽罗语OCR有了真实评测基准，LightOnOCR-2-1B 只用1.05%错误率碾压商业和开源方案，适合做古籍或法律文档自动识别。

原文

09:21

官方一手arXiv: DeepSeek@Aditya Pratap Singh

该论文对10个OCR系统在天城体（印地语）上进行基准测试，包括EasyOCR、Qwen2.5-VL-3B、Qwen3-VL-8B、DeepSeek-OCR、Gemini 2.5 Flash、Claude Opus 4.7、GPT-5.5等。在清洁文本上所有系统chrF++在91-98之间，但在真实扫描图像中，9个系统性能大幅下降（EasyOCR从93.6跌至58.3）。Qwen3-VL-8B（75.2，可在单张24GB GPU运行）超过GPT-5.5（58.5）和olmOCR-7B（40.5），Gemini和Claude领先（86.3和82.2）。论文还提出基于ByT5的字节级后校正器可将廉价引擎chrF++提升1.2-1.5。

论文 OCR 天城体基准测试

推荐理由：如果你对多语言OCR或印地语文本识别感兴趣，这篇论文揭示了主流模型在天城体上的真实差距，尤其是GPT-5.5表现不如开源Qwen3-VL-8B。

原文

6月29日

03:06

AK@_akhaliq

百度发布的Unlimited-OCR模型在Hugging Face模型排行榜上位列第一，超越其他模型。该模型专注于OCR文字识别任务，具体基准成绩尚未公布。其排名基于社区下载量和交互数据，反映出较高的关注度。

AI模型 baidu/Unlimited-OCR Hugging Face OCR

事件专题

推荐理由：百度这个OCR模型居然冲到Hugging Face第一了，想搞文字识别的可以看看它有什么本事。

原文

01:31

官方账号vLLM@vllm_project

精选

百度Unlimited-OCR现已集成到vLLM推理框架中，基于Reference Sliding Window Attention（R-SWA）机制实现恒定KV缓存，避免内存暴涨和速度下降。该模型能在32K上下文预算下一次性转录40+页文档，且编辑距离极低。在6K输出token场景下，推理速度比DeepSeek-OCR快35%，GPU内存和吞吐量保持恒定。

AI模型 Unlimited-OCR Baidu vLLM

事件专题

推荐理由：百度开源了Unlimited-OCR，在vLLM上跑，能一次性解析整本书，内存不涨，比DeepSeek-OCR快35%，做文档OCR的好东西。

原文

6月28日

14:34

量子位@林樾

百度在GitHub开源了全新OCR模型，模型名称暂未公开，但根据展示能一次性识别整本图书内容。该模型作者被社区推测为前DeepSeek研究员。项目已在GitHub托管，提供预训练权重和API文档。

AI模型百度 OCR 开源模型

推荐理由：百度搞了个能扫整本书的OCR，还开源了，做文档处理的可以试试。

原文

6月26日

21:48

berryxia@berryxia

精选77°

PaddleOCR 发布 PP-OCRv6 系列，提供 Tiny、Small、Medium 三种尺寸，分别适配移动端、CPU 文档系统和高并发 API。在 A100 GPU 上单张推理仅需 0.13 秒，Intel CPU 上相比 v5 提速 3.9 至 5.2 倍，Apple M4 配合 ONNX Runtime 可达到 0.35 秒。官方强调轻量架构与高质量训练数据比单纯扩大参数规模更实用。

AI模型 PaddleOCR PP-OCRv6 部署优化

事件专题

推荐理由：PaddleOCR 把 v6 的部署数据拉得很细，A100 0.13 秒、M4 0.35 秒，还有三种尺寸选，想在生产环境搭 OCR 的直接抄作业。

原文

6月25日

15:45

15:45IT之家（博客/媒体）

精选71°

百度于6月22日开源Unlimited OCR模型，总参数30亿，推理时仅激活5亿参数。该模型基于DeepSeek OCR架构，采用两级视觉编码和16倍token压缩，将1024×1024的PDF图像压缩为256个视觉token。训练基于DeepSeek OCR检查点继续训练4000步，使用约200万文档样本，在8×16 A800 GPU上运行。在OmniDocBench v1.5上整体得分93.23，高于DeepSeek OCR的87.01和DeepSeek OCR 2的89.17。文本编辑距离0.038，公式CDM 92.61，表格TEDS 90.93，读序编辑距离0.045。

AI模型 Unlimited OCR DeepSeek OCR 百度

事件专题

推荐理由：百度开源了一个能一次性解析长文档的OCR模型，不再越处理越慢，性能还超过了DeepSeek OCR。

原文

13:45

官方一手marktechpost@Asif Razzaq

精选

百度开源Unlimited OCR，一个3B参数的MoE模型，能在单次前向推理中解析数十页文档。其突破性的Reference Sliding Window Attention (R-SWA)机制使KV缓存保持恒定，随着输出增长内存和延迟不变。模型在OmniDocBench v1.5基准上获得93.23分，比DeepSeek OCR基线高出6.22分。该模型采用MIT许可证开源。

AI模型 Unlimited OCR Baidu DeepSeek

事件专题

推荐理由：百度开源了一个3B参数的OCR模型，能一口气解析几十页文档，KV缓存不膨胀，性能直接碾压DeepSeek。

原文

10:09

berryxia@berryxia

PP-OCRv6已正式上架Hugging Face平台。本次更新新增transformers和ONNX Runtime两个推理后端，用户可以通过统一API在不同框架间无缝切换。相比PP-OCRv5，PP-OCRv6在字符识别精度上有进一步提升。该版本尤其适合希望在transformers生态中直接使用高性能OCR的开发者。

AI模型 PaddleOCR PP-OCRv6 Hugging Face

推荐理由：PaddleOCR的PP-OCRv6上HF了，支持transformers和ONNX Runtime双后端，切换框架不用改代码，超实用。

原文

09:30

Jerry Liu@jerryjliu0

精选

Unlimited OCR是百度开源的OCR模型，总参数量3B，仅500M激活。它在表格解析和阅读顺序方面表现优秀，在OmniDocBench v1.5和v1.6上达到SOTA。核心创新是Reference Sliding Window Attention（R-SWA），能保持恒定KV缓存大小，单次前向传递处理40+页文档。与PaddleOCR-VL-1.6对比显示，它在语义格式和图表方面略有不足。

AI模型 Unlimited OCR Baidu PaddleOCR-VL-1.6

事件专题

推荐理由：百度开源了Unlimited OCR，3B参数却只有500M激活，表格解析超强，能一次性读完40页文档，比PaddleOCR-VL-1.6强在表格和阅读顺序上。试试看？

原文

08:26

Jerry Liu@jerryjliu0

精选

Jerry Liu 发布了 Mistral OCR 在 ParseBench 上的更新结果。该模型的总体得分超过了 GPT-5.5，仅略低于 Gemini 3.1 Pro。在内容忠实度、语义格式和视觉定位方面表现优秀，在表格处理上表现一般，图表能力有限。这些结果展示了该价格区间内模型的竞争力。

AI模型 Mistral OCR GPT-5.5 Gemini 3.1 Pro

推荐理由：Mistral OCR 在 ParseBench 上打败了 GPT-5.5，离 Gemini 3.1 Pro 也不远，价格还便宜，做文档解析很值。

原文

01:18

Jerry Liu@jerryjliu0

精选

Mistral OCR 在 ParseBench 上与多个前沿和开源权重模型进行对比测试。它在语义格式化方面表现突出，能准确处理删除线、上下标、标题层级和链接。在内容忠实度（阅读顺序、幻觉、遗漏）和视觉定位（边界框）上也具有竞争力。表格处理能力一般，几乎没有图表能力。其价格明显低于 Azure Doc Intelligence 和 AWS Textract 等 OCR 服务商。

AI模型 Mistral OCR ParseBench OCR

推荐理由：Mistral OCR 在 ParseBench 上语义格式化很强，价格还比 Azure/AWS 便宜，适合做高质量 OCR 又不愿花大价钱的场景。

原文

6月24日

12:39

小互@imxiaohu

精选

百度开源的Unlimited OCR模型采用参考滑动窗口注意力（R-SWA）技术，能在32K上下文内一次前向推理处理数十页文档，无需分页。模型仅3B参数、500M激活，显存和算力不随页数增长。传统逐页OCR需要拼接结果，而R-SWA模拟人类连续抄写，始终记忆固定大小的文本。该模型据称基于DeepSeek OCR核心贡献者开发，已在标准长度文档上测试。

AI模型 Unlimited OCR 百度 R-SWA

事件专题

推荐理由：百度开源了一款OCR模型，3B参数就能一次处理几十页PDF，不用切页，比传统逐页OCR强太多。

原文

07:34

官方账号Mistral AI@MistralAI

Mistral 推出 OCR 4，独立标注员对600多份真实文档进行盲评，涵盖12种以上语言。在所有对比系统中，OCR 4 被优先选择，平均胜率达72%。该结果基于随机排序的双盲测试，标注员无法识别系统来源。

AI模型 Mistral OCR 4 OCR

推荐理由：Mistral 的 OCR 4 盲测赢了所有对手，处理多国语言文档很稳，平均胜率72%，值得试试。

原文

03:28

AK@_akhaliq

百度发布了名为Unlimited-OCR的OCR服务。该产品提供无限次数的OCR识别功能。用户可通过调用API或直接使用。目前暂无定价信息。

AI产品百度 Unlimited-OCR OCR

事件专题

推荐理由：百度出了个Unlimited-OCR，无限次OCR识别，做文字提取的可以试试。

原文

6月23日

16:21

官方一手Pandaily@contact@pandaily.com (Pandaily)

百度推出Unlimited-OCR技术，核心是Constant KV Cache方法，专为超长文档设计。该技术在长文档OCR任务上取得SOTA性能，解决了传统KV缓存随文档长度线性增长的问题。Constant KV Cache将缓存大小保持常数，显著降低内存占用和推理延迟。

AI模型 Unlimited-OCR Constant KV Cache 百度

事件专题

推荐理由：百度搞了个Unlimited-OCR，用Constant KV Cache解决长文档识别，缓存不爆炸，性能还最强，适合处理几百页的合同或文献。

原文

14:46

向阳乔木@vista8

76°

百度发布Unlimited OCR，模拟人类抄书注意力模式，每生成一个token时参考完整图像和提示词，但输出侧仅回看前128个token。KV缓存固定为128长度，避免长文档推理时内存爆炸。在超长文档OCR任务上效果显著，已在GitHub和Hugging Face开源。

AI模型 UnlimitedOCR 百度 OCR

事件专题

推荐理由：百度开源了一个超聪明的OCR方案，用固定128 token缓存模拟人眼抄书，长文档不爆内存，快去试试！

原文

14:45

向阳乔木@vista8

百度近日开源了Unlimited OCR模型，参数量3B但仅需500M激活参数。该模型参考了滑动注意力窗口技术，在OCR任务上取得了出乎意料的好效果。轻量级设计使其更易于部署。

AI模型百度 Unlimited OCR OCR

事件专题

推荐理由：百度刚开源的Unlimited OCR，3B参数只激活500M，效果居然这么强，做OCR的赶紧看看。

原文

13:55

Geek@geekbb

精选

百度开源了一个基于DeepSeek-OCR升级的视觉语言模型OCR项目，支持一次性解析超长文档。该模型提供两种推理模式：gundam模式用于处理单张图片中的密集文字，base模式适用于多页文档或PDF。项目代码已在GitHub上发布，允许开发者直接使用。

AI模型百度 DeepSeek-OCR 视觉语言模型

推荐理由：百度开源的OCR模型，在DeepSeek-OCR上做了升级，能一次性处理超长文档和密集文字，两种模式很实用。

原文

12:05

官方一手arXiv: DeepSeek@Youyang Yin, Huanhuan Liu, YY, Qunyi Xie, Chaorun Liu, Shiqi Yang, Shaohua Wang, Zhanlong Liu, Hao Zou, Jinyue Chen, Shu Wei, Jingjing Wu, Mingxin Huang, Zhen Wu, Guibin Wang, Tengyu Du, Lei Jia

Unlimited OCR 模型以 DeepSeek OCR 为基线，将所有解码器注意力层替换为 Reference Sliding Window Attention (R-SWA)，使解码过程中 KV 缓存保持恒定，不再随输出长度增长。在标准最大长度 32K 下，Unlimited OCR 可一次性转录数十页文档。相比传统端到端 OCR 模型，Unlimited OCR 解决了长序列中内存和速度下降的问题。R-SWA 是一种通用解析注意力机制，还可应用于 ASR、翻译等任务。代码和权重已在 GitHub 开源。

论文 Unlimited OCR DeepSeek OCR R-SWA

事件专题

推荐理由：百度新出的 Unlimted OCR 用了一种叫 R-SWA 的注意力机制，让它处理几十页文档时不会变慢，内存占用也恒定。想做长文档 OCR 的可以试试。

原文