通宵12小时实测，全新Unlimited OCR模型效果到底如何？

原始來源與檔名：2026-06-26T093351+0800-通宵12小时实测，全新Unlimited OCR模型效果到底如何？.md

SOURCE | 資訊源評估

• 準確性: 高 - 基於開源模型技術報告與實機測試，對比了與現有技術（如 DeepSeek OCR）的差異。
• 易理解性: 高 - 以白話文與生活化比喻（如手抄書）解釋了複雜的 KV Cache 與注意力機制。
• 閱讀策略建議: 適合直接閱讀，重點關注其「長程解析」的應用場景與背後核心技術 R-SWA。

NAPKIN | 餐巾纸

餐巾纸公式

Unlimited OCR = 高壓縮率視覺編碼器 + R-SWA (參考滑動窗口注意力)

利用容量恆定的 KV Cache 隊列實現無限長度的上下文解析，打破傳統 OCR 的循環重置瓶頸。

一句话

百度開源的 Unlimited OCR 透過模擬人類工作記憶的滑動窗口機制，實現了不增加內存佔用的長文檔連續解析。

餐巾纸草图

[長文檔輸入] 
   |
   v
[視覺編碼器 (高壓縮率)]
   |
   v
[KV Cache 隊列 (恆定大小)] ---(舊Token被驅逐)---> [軟遺忘]
   |
   v
[連續生成 Markdown/文本]

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

• 核心問題: 面對幾十頁的長文檔，現有的 OCR 模型如何突破「逐頁掃描、內存重置」的工程瓶頸？
• 核心答案: 百度推出的 Unlimited OCR 模型採用參考滑動窗口注意力 (R-SWA) 模擬人類工作記憶，實現了低成本的長程解析。
• 論證結構: 案例型與對比型結合（先拆解技術原理，再對比實測效果，最後列出應用場景）。

章节骨架

1. 技術拆解: 模擬人類工作記憶的 R-SWA。
2. 能力測試: 實測長文檔解析，排版更乾淨。
3. 應用場景: 適合大規模文檔數字化。
4. 團隊八卦: 核心貢獻者背景猜測。

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

论证链

傳統 OCR 依賴逐頁循環與清空記憶 --> 效率低且無法保持上下文連貫 --> 借鑒人類手抄書時的「軟遺忘」機制 --> 開發 R-SWA (參考滑動窗口注意力) --> KV Cache 恆定不增加內存 --> 成功實現數十頁長文檔的連續解析。

关键证据

1. 技術機制: R-SWA 機制讓 KV Cache 成為容量恆定的隊列，新 Token 生成時自動驅逐最老 Token。
2. 實測對比: 處理英文論文表格頁時，Unlimited OCR 的輸出比 DeepSeek OCR 更乾淨。
3. 資源佔用: 能夠在 32K 標準上下文下，一次前向推理處理數十頁文檔，且內存不會爆炸。

隐形假设与边界

• 隐形假设:
  • 長文檔中的遠期上下文（被驅逐的 Token）對當前文字的識別影響微乎其微。
  • 用戶的硬體環境可以支持其基礎的單次推理開銷（儘管沒有隨頁數遞增）。
• 边界条件:
  • 對於單頁清晰截圖的場景，它與傳統頂級 OCR 的差距並不明顯。
  • 文檔若過度依賴跨頁的極長程圖文關聯，軟遺忘機制可能導致部分信息遺失。

ROUND 3: SOUL | 靈魂提取

“還能怎麼用”

• 作者盲点: 雖然提到了顯存友好，但未詳細說明具體需要的最低顯存規格及推理速度（Token/s）的絕對數值。
• 知识连接: 與大語言模型 (LLM) 中的 StreamingLLM 或 Window Attention 機制有異曲同工之妙。
• 行动触发: 企業在構建 RAG（檢索增強生成）系統時，應考慮將傳統的逐頁 OCR 替換為 Unlimited OCR 以保持更完整的文檔結構。

留白提問 (Guided Reflection)

• 如果「軟遺忘」機制可以解決長文檔 OCR 問題，這種機制是否也能應用於無人駕駛的長程視覺記憶中？
• 當 AI 模型不再需要「逐頁重置」記憶時，我們處理知識的方式會發生什麼本質改變？

跨域映射

• 在 操作系統，这叫 LRU Cache (最近最少使用緩存)
• 在 心理學，這叫 工作記憶 (Working Memory)

DEEP READ | 精讀指引 (Must-Read Segments)

[!IMPORTANT] 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。

1. ① Unlimited OCR 技术拆解: 深刻理解 R-SWA 如何將人類「手抄書」時的注意力集中點轉化為工程實現。
2. ③ OCR 模型如何应用到项目: 了解 7 大具體落地場景，這對於如何將新技術轉化為商業價值極具參考意義。

通宵12小时实测，全新Unlimited OCR模型效果到底如何？ (Architectural Deep Dive)

前言/背景

這篇文章探討了百度近期在 HuggingFace 上開源的全新模型「Unlimited OCR」。傳統的 OCR 處理數十頁長文檔時，宛如死板的掃描儀，必須使用迴圈（for-loop）逐頁處理並頻繁重置狀態，這本質上是算力不足的工程妥協。Unlimited OCR 旨在解決**長程解析（Long-horizon Parsing）**的痛點，透過一次前向推理直接處理多頁文檔，從根本上顛覆了大規模文檔數位化的工作流。

章節詳細總結

① Unlimited OCR 技術拆解

Unlimited OCR 回歸第一性原理，提出了**參考滑動窗口注意力（Reference-Sliding Window Attention, R-SWA）**技術。

• 靈感來源：模擬人類的工作記憶。人類抄書時不會死記所有內容，而是將注意力集中在「原文內容、剛寫的字、馬上要寫的字」，並對更早的內容進行「軟遺忘（soft forgetting）」。
• 架構決策與實作細節： 在 R-SWA 機制下，模型的 KV Cache 被實作為一個容量恆定的隊列（Queue）。
  • 當生成新的 Token 時，最舊的 Token 就會被驅逐（Evicted）。
  • 優勢：在整個前向推理（Forward Inference）過程中，計算成本與記憶體佔用（Memory Footprint）完全不會隨著文檔長度增加而逐步膨脹！
  • 結合極高壓縮率的視覺編碼器，模型能在 32K 的標準上下文視窗下，一次前向推理搞定數十頁文檔轉錄，徹底打破必須中斷、清空記憶的魔咒。

② OCR 模型能力測試

作者進行了實機測試，點出其核心定位：

• 非單頁王者，而是長程專家：如果只測試單張清晰截圖，Unlimited OCR 與 DeepSeek OCR、PaddleOCR 差距不大。其真正戰場是長文檔連續解析。
• 實測數據與表現：在處理英文論文的複雜表格頁時，實測結果顯示 Unlimited OCR 的輸出排版比 DeepSeek OCR 更為乾淨（Clean），這反直覺地超越了 DeepSeek 早期擅長的領域。

③ OCR 模型如何應用到項目

由於其「一次推理搞定多頁」且「KV Cache 恆定」的特性，特別適合長程文檔解析。作者列舉了 7 大實戰場景，對於構建企業級系統極具參考價值：

1. 大規模文檔數字化與檔案管理：整本書或論文集一次轉錄為 Markdown，適合知識庫建設。
2. 法律合同與合規審查：一次性提取跨頁條款與表格。
3. 金融與審計報告處理：保留跨頁表格與佈局結構。
4. 教育與科研文獻處理：紙本批量轉為可檢索電子檔。
5. 醫療健康文檔管理：一次處理完整病史。
6. 出版與內容生產：輸出帶佈局的 Markdown，便於 AI 潤色。
7. 企業辦公自動化與 RAG 構建：解決 RAG 系統中「掃描件太多、上下文太長」的痛點，直接提取並餵給向量資料庫。

• 架構優勢總結：
  • 端到端處理：無需外部迴圈切頁，保持上下文連貫。
  • 顯存友好：適合部署在普通 GPU 上跑長文檔，不會 OOM（Out of Memory）。

④ 關於 DeepSeek 離職團隊的八卦 (補充背景)

文章末尾提到 Unlimited OCR 技術報告中的一位核心貢獻者 “YY”，其技術路線完美融合了高壓縮率編碼器（DeepEncoder），行文風格與前 DeepSeek 團隊成員高度相似，暗示了頂尖 AI 人才在不同開源項目間的流動與技術演進的延續性。

總結與結論

• 架構建議 1：放棄逐頁 OCR 的工程妥協。對於 RAG 系統或企業知識庫，應考慮採用 Unlimited OCR 這類端到端模型，以減少外部腳本切頁帶來的狀態維護與上下文斷裂問題。
• 架構建議 2：借鑒 R-SWA 處理無限流數據。將 KV Cache 設計為恆定大小的隊列（Queue-based eviction），這種「軟遺忘」機制非常適合應用在資源受限環境（如邊緣計算）下的連續串流資料解析。
• 核心技術洞察：在 AI 基礎設施設計中，模擬人類的「工作記憶」與「選擇性遺忘」比盲目擴展上下文視窗（Context Window）更能有效控制運算成本，是邁向 AGI 級別長程解析的正確路徑。