一次吃下一本书！百度开源新OCR，作者疑似前DeepSeek研究员

本文介绍了百度开源的全新OCR模型Unlimited OCR，该模型在OmniDocBench上刷新了SOTA，整体成绩超过DeepSeek OCR。背景方面，传统OCR处理长文档时采用“逐页处理+结果拼接”方案，导致显存和计算开销随文档长度增长。研究目的在于解决长文档连续解析的痛点，通过模仿人类抄录员的方式，不再完全回溯过去内容，而是只保留当前需要的信息。结论显示，Unlimited OCR借助创新的参考滑动窗口注意力（R-SWA）机制，实现了恒定KV Cache，显存占用和注意力计算开销不随文档长度增长，推理速度相比DeepSeek OCR提升约35%，且在长文档解析中保持稳定表现。此外，文章还讨论了该机制对长上下文问题的潜在影响，以及其可能扩展到语音识别等任务的前景。作者团队中疑似有前DeepSeek研究员，但身份未官方确认。