标签： OCR

Unlimited OCR：百度开源的「一次前向通读整本 PDF」的 OCR 大模型
项目简介

Unlimited OCR 是百度开源的一款端到端 OCR 大模型，主打「One-shot Long-horizon Parsing」——在单次前向传播中，直接解析长达 32K token 的整份 PDF 或连续多页图像，而不是把文档切碎后一页页跑。

它以 DeepSeek-OCR 的编码器为基础，但把解码器的所有注意力层替换为自研的 Reference Sliding Window Attention（R-SWA），让 KV Cache 在解码过程中保持恒定。换句话说：输出越长，显存和速度越稳定，不会出现传统 LLM 解码器「越写越慢」的窘境。

核心亮点
- 恒定 KV Cache：R-SWA 替换标准自注意力，长文档生成时显存占用平稳、解码速度不衰减。
- 一次前向通读多页：标准 32K 上下文内，可一次完成数十页文档解析，保留跨页上下文。
- 三种部署形态：提供 Hugging Face transformers、vLLM Docker 镜像、SGLang OpenAI 兼容服务三种开箱方案。
- 通用解析机制：R-SWA 不局限于 OCR，论文指出同样适用于 ASR、翻译等需要长序列输出的任务。
- 全链路开放：代码与模型权重均托管在 GitHub 与 Hugging Face，MIT 协议可商用。
安装与快速上手

项目环境要求：Python 3.12.3 + CUDA 12.9 通过验证；单张 NVIDIA GPU 即可体验。

1. Transformers 快速体验
```
# 依赖
pip install torch==2.10.0 torchvision==0.25.0 transformers==4.57.1 Pillow==12.1.1
pip install matplotlib==3.10.8 einops==0.8.2 addict==2.4.0 easydict==1.13 pymupdf==1.27.2.2 psutil==7.2.2

# 加载模型
from transformers import AutoModel, AutoTokenizer
model_name = 'baidu/Unlimited-OCR'
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()

# 单图解析（gundam 配置：base_size=1024, image_size=640, crop_mode=True）
model.infer(tokenizer, prompt='<image>document parsing.',
            image_file='your_image.jpg', output_path='./outputs',
            base_size=1024, image_size=640, crop_mode=True,
            max_length=32768, save_results=True)

# 多页 / PDF
model.infer_multi(tokenizer, prompt='<image>Multi page parsing.',
                  image_files=['page1.png', 'page2.png'], output_path='./outputs',
                  image_size=1024, max_length=32768, save_results=True)
```
2. vLLM 生产部署
```
# CUDA 13.0
docker pull vllm/vllm-openai:unlimited-ocr
# Hopper GPU 使用 cu129 镜像
docker pull vllm/vllm-openai:unlimited-ocr-cu129
# 官方 recipe: https://recipes.vllm.ai/baidu/Unlimited-OCR
```
3. SGLang 批处理服务
```
uv venv --python 3.12
source .venv/bin/activate
uv pip install wheel/sglang-*.whl kernels==0.11.7 pymupdf==1.27.2.2

python -m sglang.launch_server --model baidu/Unlimited-OCR --served-model-name Unlimited-OCR \
  --attention-backend fa3 --page-size 1 --context-length 32768 \
  --enable-custom-logit-processor --disable-overlap-schedule \
  --skip-server-warmup --host 0.0.0.0 --port 10000

# 并发批跑目录或 PDF
python infer.py --pdf ./examples/document.pdf --output_dir ./outputs --concurrency 8 --image_mode gundam
```
典型使用场景
1. 学术论文整本转 Markdown：把 30 页 PDF 直接丢给模型，一次前向输出带标题层级、公式占位、表格结构的 Markdown，省去分块合并。
2. RAG 知识库文档预处理：批量解析合同、手册、财报，保留原文版面和段落结构，作为高质量向量库原始文本。
3. 票据与表格版面结构化：针对扫描发票、银行流水、Excel 截图等，输出键值对或 JSON 结构化结果。
推荐理由

最近大家注意力都在 Coding Agent 上，OCR 赛道反而被低估。Unlimited-OCR 真正的价值在于把「长序列输出」这件事做扎实了——R-SWA 让 KV Cache 不再线性膨胀，这是端到端文档理解从 demo 走向生产的关键。

另外百度这次放出了完整的训练、推理、部署、微调（ms-swift）链路，并且兼容 vLLM / SGLang 两大推理框架，对工程落地非常友好。如果你在做 RAG、知识库、文档数字化，它很可能成为你管道里的默认 OCR 组件。

资源下载
- GitHub 仓库：https://github.com/baidu/Unlimited-OCR
- Hugging Face 模型：https://huggingface.co/baidu/Unlimited-OCR
- 在线 Demo：https://huggingface.co/spaces/baidu/Unlimited-OCR
- arXiv 论文：https://arxiv.org/abs/2606.23050
- ModelScope 模型：https://modelscope.cn/models/PaddlePaddle/Unlimited-OCR
- 百度智能云：https://cloud.baidu.com/doc/OCR/s/fmr1p39gb
2026年7月30日

MinerU：让LLM读懂复杂文档的高精度解析引擎，72.5K+ Stars将PDF/Office转为AI可用格式

📄

MinerU

高精度文档解析引擎 · 专为 LLM / RAG / Agent 设计

⭐ 72.5K+ Stars
🏷️ Python
📜 MinerU License (Apache 2.0扩展)
🏢 OpenDataLab 出品

📌 项目简介

MinerU 是一个将 PDF、DOCX、PPTX、XLSX、图片、网页等复杂格式文档，高精度转换为 Markdown / JSON 格式的开源工具，让 LLM 和 RAG 系统能够真正”读懂”非结构化文档。采用 VLM+OCR 双引擎，支持 109 种语言，是 AI 工作流中文档预处理的首选方案。

🚀 核心功能

📑

多格式支持

原生支持 PDF、DOCX、PPTX、XLSX、图片、网页，输出 Markdown / JSON 格式

🔣

公式+表格精准识别

公式自动转为 LaTeX，表格自动转为 HTML，精准还原文档布局

🌐

109 种语言 OCR

VLM+OCR 双引擎，支持扫描件、手写内容、多栏布局、跨页表格合并

🔌

原生 MCP / RAG 集成

原生支持 MCP Server、LangChain、LlamaIndex、RAGFlow、Dify、FastGPT

💻

国产 AI 芯片适配

支持昇腾、寒武纪、燧原、沐曦、摩尔线程、昆仑芯等 10+ 款国产芯片

🐋

多推理后端

支持 pipeline / vlm-engine / hybrid-engine 三种后端，适配不同精度与速度需求

⚙️ 安装要求和过程

环境要求

依赖项	要求
操作系统	Linux (2019+)、Windows 10+、macOS 14.0+
Python	3.10 ~ 3.13（Windows 仅支持 3.10~3.12）
内存	最低 16GB，推荐 32GB+
GPU 显存	pipeline 后端最低 4GB；vlm/hybrid 后端最低 8GB

快速安装（推荐）

# 使用 uv 安装（推荐）
pip install --upgrade pip
pip install uv
uv pip install -U "mineru[all]"

# 命令行使用
mineru -p <输入文件/目录> -o <输出路径>

# 纯 CPU 运行
mineru -p <输入> -o <输出> -b pipeline

Docker 部署

# 仅支持 Linux / WSL2
docker run -p 8000:8000 --gpus all opendatalab/mineru:latest

💡 典型使用场景

📚 RAG 知识库文档预处理

将企业知识库中的 PDF 技术文档、Word 操作手册、PPT 培训材料批量转换为 Markdown，注入 RAG 系统，使 LLM 能够基于真实文档内容作答，避免幻觉。

🤖 AI Agent 文档理解增强

AI Agent 在回答用户问题时，先通过 MinerU 解析相关文档，提取结构化内容后再进行推理，大幅提升回答的准确性和可溯源性。原生 MCP Server 可直接对接 Claude/Cursor/Windsurf。

🌏 多语言文档批量处理

处理跨国企业的多语言合同、技术规格书（支持 109 种语言），通过 OCR+VLM 双引擎准确识别双语混排、公式、表格等复杂内容。

✨ 推荐理由

MinerU 解决了 AI 工作流中一个极其关键的痛点：非结构化文档的精准解析。对于 RAG 应用来说，文档解析质量直接决定最终效果——解析出错，检索再准也没用。

我个人最喜欢它的三个设计：① 双引擎架构（pipeline 速度快，vlm-engine 精度高，可按需切换）；② 原生 MCP 支持，直接让 AI 编程助手具备文档理解能力；③ 国产芯片适配，真正自主可控。

相比同类工具（如 Unstructured、PyPDF2），MinerU 在复杂布局还原、公式识别、表格合并等方面明显更胜一筹，这也是它能获得 72.5K Stars 的核心原因。

📥 下载地址

GitHub 仓库
在线体验
官方文档
HuggingFace Demo

由 自动化任务 于 2026-07-01 发布 · 数据来源：GitHub

2026年7月1日

标签： OCR

Unlimited OCR：百度开源的「一次前向通读整本 PDF」的 OCR 大模型

项目简介

核心亮点

安装与快速上手

1. Transformers 快速体验

2. vLLM 生产部署

3. SGLang 批处理服务

典型使用场景

推荐理由

资源下载