百度開源 Unlimited-OCR 工具，實現長文件「一鏡到底」解析

百度近日在 GitHub 上正式開源 Unlimited-OCR 專案，宣稱將推動文件 OCR 技術進入「一鏡到底」（One-shot Long-horizon Parsing）的新時代。這款工具以 DeepSeek-OCR 為基礎，專注於一次性處理長文件、多頁 PDF 或複雜排版文件，適合企業文件自動化、學術論文解析與數位典藏等應用。

主要特色

• 長文件處理能力：支援單次輸入長達數萬 token 的文件解析，減少傳統 OCR 需要分頁處理的繁瑣步驟。
• 多格式支援：可直接處理單張圖片、多張圖片或完整 PDF 文件。
• 開源與易用：基於 Hugging Face Transformers 與 SGLang 框架，提供完整 Python 範例。
• 模型優勢：在複雜排版、表格、公式與手寫文字辨識上表現優異。

該專案已於 2026 年 6 月 23 日同步發布技術論文（arXiv），並在 ModelScope 平台提供模型下載。
如何下載與安裝

clone專案：

git clone https://github.com/baidu/Unlimited-OCR.git 
cd Unlimited-OCR 

使用 Transformers（推薦 NVIDIA GPU）：
需要 Python 3.12+ 與 CUDA 12.9 環境，安裝依賴套件：

pip install torch torchvision transformers Pillow matplotlib einops addict easydict pymupdf psutil 

使用 SGLang（高效推論）：
先安裝本地 wheel 檔案，再安裝相關依賴。

Python 串接範例

單張圖片處理

from transformers import AutoModel, AutoTokenizer 
import torch 
 
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() 
 
model.infer( 
 tokenizer, 
 prompt='document parsing.', 
 image_file='your_image.jpg', 
 output_path='output_dir', 
 base_size=1024, image_size=640, crop_mode=True, 
 max_length=32768, 
 save_results=True 
) 

多頁 PDF 處理

import fitz # PyMuPDF 
import tempfile, os 
 
def pdf_to_images(pdf_path, dpi=300): 
 doc = fitz.open(pdf_path) 
 tmp_dir = tempfile.mkdtemp(prefix='pdf_ocr_') 
 mat = fitz.Matrix(dpi / 72, dpi / 72) 
 paths = [] 
 for i, page in enumerate(doc): 
 out = os.path.join(tmp_dir, f'page_{i+1:04d}.png') 
 page.get_pixmap(matrix=mat).save(out) 
 paths.append(out) 
 doc.close() 
 return paths 
 
# 使用 infer_multi 處理 
model.infer_multi( 
 tokenizer, 
 prompt='Multi page parsing.', 
 image_files=pdf_to_images('your_doc.pdf', dpi=300), 
 output_path='output_dir', 
 image_size=1024, 
 max_length=32768, 
 save_results=True 
) 

使用注意事項

• 硬體需求：建議使用具備充足 VRAM 的 NVIDIA GPU（至少 24GB 以上較佳），否則處理長文件時可能出現記憶體不足。
• 模型大小：完整模型較大，下載與載入需較長時間，建議使用 ModelScope 或 Hugging Face 快取機制。
• 授權與隱私：專案採用 MIT 授權，但處理的文件若涉及敏感資料，需注意隱私保護與合規問題。
• 效能優化：長文件處理時可調整 max_length、ngram_window 等參數以平衡速度與準確度。
• 更新頻率：專案尚在早期階段，建議定期檢查 GitHub 以取得最新版本與修正。

Unlimited-OCR 的推出，為開源 OCR 領域帶來重要進展，尤其適合需要處理大量複雜文件的企業與研究機構。開發者可透過 GitHub 取得完整程式碼與範例，加速導入自家工作流程。

參考來源：
GitHub 專案： https://github.com/baidu/Unlimited-OCR