【新智元导读】百度开源Unlimited OCR！3B参数500M激活现金足球外盘app平台，链接读完40页不失忆。作家疑似DeepSeek出走的OCR中枢大神。

就在刚刚，百度闷声干了票大的！

最新开源的Unlimited OCR，总参数3B，现实激活仅500M——放在大模子期间简直是个零头。

但便是这个小到离谱的模子，在OmniDocBench v1.5上拿下93.23%的空洞分，v1.6更是达到93.92%，径直刷新了端到端SOTA。

什么认识？v1.5同台竞技的选手里，235B的Qwen3-VL拿了89.15，72B的Qwen2.5-VL拿了87.02，不公布参数目的Gemini-2.5 Pro也唯一88.03。激活参数不到它们零头的选手，反手把它们全甩了。

更离谱的是，它还干了件之前莫得OCR模子干成过的事：链接解析40多页文档，不失忆、不放慢，一次推理从第一页读到终末一页。

目下，模子和代码都已同步上线GitHub和HuggingFace。

GitHub：

https://github.com/baidu/Unlimited-OCR

Hugging Face：

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

为什么扫数模子都在「逐页失忆」

说到OCR，目下模子笨得让东说念主不测。

它们会把一件原来连贯的长程任务，硬生生切成几十个互不关系的小任务，再靠一个外部颐养器把扫尾拼凑缝起来。就像在跑一个for轮回，贬责完一页就把记挂清空，再从新开动下一页。

能用，但内容上只是工程的权宜之策，离确凿的智能还差着一大截。

究其原因在于，跟着输出越来越长，规范提防力机制下的KV缓存像滚雪球一样疯涨——内存吃不用，速率越来越慢。

这才是逼着扫数模子逐页贬责、通常「失忆」的确凿元凶。

但东说念主类抄书，从来不是这样干的。

咱们会守护一种剖析的领会情景——眼睛盯着三个点：原书、刚写下的一小段、行将要写的下一个字。

早些写过的内容冉冉淡出脑海，最近的陡立文用来盯住现时进程。

这种才略有个很妙的名字：「软渐忘」（soft forgetting）。

恰是靠着这种「该忘就忘」的设施，东说念主材干在极低领会负荷下扛住超长任务。比如，抄一册书、译几百页、剖析转录数小时音频。

百度想作念的，便是把东说念主类这种「原文全局可见、记挂只保留最近几行」的提防力容貌，搬进模子里。让OCR告别失忆。

R-SWA：把「抄书的奥妙」写进提防力

顺着这个想路，百度提议了陈诉里的中枢技艺——参考滑动窗口提防力（Reference Sliding Window Attention，R-SWA），精准对应前边说的东说念主抄书时的提防力形状。

具体来说，每生成一个token，R-SWA都会去看一王人「参考token」，也便是整张图像的视觉token和提醒词，保证模子遥远「看得见」好意思满原文。

但在输出这一侧，它只回看前边128个token，就像你抄书时只瞄一眼刚写的那几行。

落到终了上，Unlimited OCR把扫数提防力层全换成R-SWA，从而把KV缓存形成一个固定容量的部队。

每生成一个新token，最老的阿谁就被挤出去，大小遥远不变。输出1万个token和10万个token，内存占用是透顶一样的。

陈诉中Flash Attention v3的蔓延测试也一目了然。

DeepSeek OCR的规范MHA跟着解码步数加多，每步耗时稳步攀升；而Unlimited OCR的R-SWA从新到尾一条平线，因循守旧。

一次推理，读完几十页

这里还有一个至关进犯的合作：DeepEncoder。

这个最初在DeepSeek OCR中登场的编码器，能把一张1024×1024的PDF页面压缩到只是256个视觉token，压缩率高达16倍。

况且由于视觉token在R-SWA下不参与情景转动，因此无论文档多长，图像信息永远清清楚爽，不会随解码经由缓缓退化。

合作DeepEncoder的极致压缩和R-SWA的恒定缓存，Unlimited OCR在规范的32K陡立文里，一次前向推理就能转录数十页文档。

扫尾流露，同期输入20页文档，转录与原文逐字比对的剪辑距离仅0.057；即便输入40页以上，依然截止在0.11以下，掂量重叠输出的Distinct-35高达97%——几十页链接转录，简直莫得复读。

在OmniDocBench v1.5上，Unlimited OCR拿到93.23%的空洞得分，比DeepSeek OCR的87.01%越过6.22个百分点。

文本剪辑距离从0.073降到0.038，公式CDM从83.37飙到92.61，表格TEDS从84.97升至90.93。

在更新的v1.6上，雷同以93.92%拿下端到端SOTA。

遵循方面雷同碾压。

输出达到6144个token时，Unlimited OCR的TPS是7847，DeepSeek OCR还是掉到5822，差距高达35%。

别忘了，这是一个500M激活的MoE小模子，在DeepSeek OCR基础上仅连接磨真金不怕火4000步的扫尾。

插足不算大，但恶果拔群——R-SWA对解析任务是一种确凿的「免费午餐」。

九大文档类型的细分对比中，PPT、论文、杂志、报纸无一短板，Unlimited OCR在文本和阅读王法两项上全面超越DeepSeek OCR，且在七个类别中最初DeepSeek OCR 2。

一位辽远的技艺总监

跑分说收场。但这份陈诉确凿有道理的场地，是行文容貌。

从副标题的口吻到技艺的叙事，读过DeepSeek那几份技艺陈诉的东说念主，几页下来就会认为似曾剖析。

末尾还断言R-SWA是通用解析机制，而OCR只是第一站。

一篇OCR陈诉，硬是写出了探索通用智能的滋味。

然后，是阿谁最让东说念主堤防的场地——作家名单。

中枢孝敬者三位：Youyang Yin，Huanhuan Liu*（神志leader），YY†（技艺总监）。

两个东说念主用本名，唯一技艺总监挂了个两字母缩写。有点道理。

天然论文没多说，但GitHub致谢栏却把痕迹递了过来：Deepseek-OCR和Deepseek-OCR-2，排在致谢前两位。

顺着这条线往回找。DeepSeek OCR从一代到二代，中枢作家遥远三个东说念主：魏浩然、孙耀峰、李宇琨。肃清支小部队，从无到有。

本年4月DeepSeek发V4，魏浩然名字背面多了星号——已辞职。

三个东说念主里，唯一他还是公开离开。

再看阅历。魏浩然，阶跃星辰配置，主导拓荒了端到端OCR最早跑通的开源标杆GOT-OCR2.0。到DeepSeek后，更是一手搭起整条OCR线，DeepEncoder、MoE解码器，一代到二代都是他的团队。

才略、时辰线、签字容貌，三条都对得上。

国内OCR圈不大，能作念出R-SWA这种级别打破、还对DeepSeek OCR架构有「亲手作念过」级别熟习的东说念主，一只手数得过来。魏浩然是其中最显眼的那一个。

如斯一来，YY或者率便是魏浩然了。

百度，依然能打

昔时几年，PaddleOCR简直是国产OCR的代名词。开源、轻量，产业落地最广——从手机端到就业器到镶嵌式拓荒，隐敝了最主流的运用场景。

不外之前百度更侧重产业运用。踏实性、部署资本、场景隐敝是坚韧，「用前沿商榷理念重塑OCR范式」这个标的并非其叙事要点。

而魏浩然作念的，恰恰便是这件事。

从GOT-OCR2.0的端到端一次解析，到DeepSeek-OCR的视觉压缩，再到R-SWA——先想了了OCR应该长什么样，再作念出来。

一边是产业落地最训练、场景隐敝最广的工程底座；一边是端到端长程解析最前沿的商榷试吃。两者叠加，补王人的不单是一个技艺短板，而是一种「既能大限制铺开、又能不息引颈范式」的好意思满才略。

百度本年把AIDU东说念主才诡计升级为集团级神志、薪酬不设上限。对一个想把商榷作念到落地的东说念主来说，百度多年铺下来的产业底座，比单纯的高薪更有劝服力。

魏浩然要是简直选了百度，逻辑就很了了——这里有最训练的产业底座，也有把商榷推到前沿的空间和资源。

要是他简直把R-SWA奉行到ASR和翻译，那百度手里合手着的就不单是一个OCR模子，而是一套通用长程解析的技艺框架。

论文揣测里还留了一句：下一步，陡立文窗口训到128K，构建prefill pool让模子学会自动翻页。

要是作念到了，OCR就不再是识别一页笔墨现金足球外盘app平台，而是合资一整本书。