Unlimited-OCR-2：百度开源新一代AI文字识别模型，支持超长PDF文档解析，附在线体验和部署教程

平时处理 PDF、扫描件或者图片资料，最麻烦的是什么？

不是文件打不开，而是里面的文字没办法直接复制。

特别是几百页的合同、论文、技术手册，如果一页页截图识别，再手动整理内容，非常浪费时间。

最近，百度开源了新一代 OCR 模型：Unlimited-OCR-2。

它不仅能够识别图片中的文字，还重点提升了超长文档解析能力，可以一次处理多页内容，并尽量利用跨页上下文还原文档。

而且提供了免费开源模型和在线体验入口。

一、Unlimited-OCR-2是什么？

Unlimited-OCR-2 是百度推出的视觉文档解析模型，于2026年10月27日正式开源。

OCR 的意思是光学字符识别。

传统 OCR 主要解决的是：

把图片里的文字识别出来。

但面对一本长篇 PDF，问题就复杂了。

例如一个表格跨越了好几页，或者上下两页的段落需要连起来理解，简单逐页识别就可能丢失关联。

Unlimited-OCR-2 的核心思路是：

不再局限于单页识别，而是让模型能够连续解析超长文档。

上传文档或页面图片
        ↓
识别文字及页面内容
        ↓
结合跨页上下文
        ↓
连续生成解析结果
        ↓
整理为可处理的文本

它更适合长篇论文、技术资料、扫描文档等场景。

二、功能特征

1. 支持超长文档解析

这是 Unlimited-OCR-2 最重要的升级。

传统模型处理长文档时，随着内容越来越多，计算和显存开销可能迅速增加。

Unlimited-OCR-2 引入了 SR-SWA（稀疏引用滑动窗口注意力）。

简单理解，就是不让模型每次都重新处理全部历史内容，而是保留有限的关键参考信息。

这样可以控制长文档推理过程中的计算和内存开销。

不过，实际处理长度仍受显存、输出限制和部署配置影响。

2. 多页内容一次识别

官方提供 infer_multi 接口。

可以将多张页面图片按顺序提交，让模型在同一次请求中解析整份文档。

相比完全独立地识别每一页，这种方式可以利用页面之间的关联信息。

3. 支持单页高精度解析

如果只是识别一张截图、扫描页或者表格图片，也可以使用单页识别功能。

官方单页模式默认采用动态切图，对页面中的不同区域进行处理。

4. 支持多种语言文档

模型面向多语言视觉文字识别任务。

可以用于中文、英文及其他语言的文档解析。

不过，小字体、模糊图片、特殊排版和复杂表格仍然可能出现识别错误。

5. 支持本地部署和API服务

Unlimited-OCR-2 不只是在线演示。

开发者可以通过 Transformers 在本地运行推理，也可以使用官方适配的 SGLang 服务端方案。

方便将识别能力接入文档管理、知识库和自动化工作流。

三、Unlimited-OCR和Unlimited-OCR-2有什么区别？

百度官方表示，新版本在 MPDocBench 和 MarathonDocBench 等长文档评测中取得了领先成绩。

这些属于特定测试条件下的结果，实际效果仍需要根据自己的文件进行验证。

四、在线体验教程：无需安装

如果只是想试试识别效果，最简单的办法就是使用 Hugging Face 在线演示。

第一步：打开体验页面

访问：

https://huggingface.co/spaces/baidu/Unlimited-OCR-2

该页面名称为 Unlimited OCR Works 2 Studio。

第二步：上传测试文件

按照页面提供的输入方式，上传支持的图片或文档。

建议第一次先使用一张清晰的截图或扫描页。

如果页面支持多页文档，再尝试较长的文件。

第三步：查看识别结果

提交识别后，查看输出的文字和页面结构。

重点检查：

• 有没有漏字或错字
• 段落顺序是否正确
• 表格数据有没有错位
• 多页内容有没有遗漏

在线演示可能受到运行资源、排队和上传限制，不适合直接当成无限量的批量转换服务。

另外，涉及合同、财务资料等敏感内容时，不建议直接上传到公开演示环境。

五、本地部署教程

如果希望离线处理文档，或者接入自己的软件，可以选择本地部署。

1. 环境要求

官方 Transformers 示例测试环境如下：

这里的 A800 80GB 是官方测试设备，不能直接理解为模型运行的最低硬件要求。

普通电脑是否能运行，取决于显存、模型加载方式和具体配置。

2. 安装依赖

先准备 Python 环境，再按照项目 README 安装对应依赖：

pip install torch==2.13.0 torchvision pillow transformers==4.52.1 huggingface-hub==0.36.0 tokenizers==0.21.4 addict==2.4.0 einops==0.8.2 easydict==1.13

PyTorch 还需要与本机 CUDA 环境匹配。

3. 加载模型

新建一个 Python 文件：

import torch
from transformers import AutoModel, AutoTokenizer

model_name = "baidu/Unlimited-OCR-2"

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()

首次运行时，程序会从 Hugging Face 获取模型文件。

其中 trust_remote_code=True 允许执行模型仓库提供的自定义代码，建议先检查来源和代码内容。

4. 识别单张图片

text = model.infer(
    tokenizer,
    image_file="test.jpg",
    output_path="output/single",
    save_results=True
)

print(text)

将 test.jpg 替换成自己的图片路径即可。

5. 识别多页文档

例如有7张按顺序编号的文档图片：

pages = [
    f"your_doc/page_{i}.jpg"
    for i in range(1, 8)
]

text, num_tokens = model.infer_multi(
    tokenizer,
    image_files=pages,
    output_path="output/multi",
    save_results=True
)

print(text)

模型会按照传入的图片顺序返回解析结果。

如果原文件是 PDF，可以先把 PDF 页面转换为图片，再调用多页识别接口。

对于需要搭建正式服务的开发者，官方推荐使用定制的 SGLang 方案；具体依赖和启动参数见 GitHub README，不能直接假定普通版本的 SGLang 已完整兼容。

六、适合哪些使用场景？

扫描PDF转文字

将扫描件中的文字提取出来，方便复制、搜索和后续整理。

论文与技术文档解析

处理包含多页内容的研究资料、产品说明书和技术手册。

企业知识库建设

将纸质资料或扫描文档转换成可检索文本，再接入 RAG 知识库。

财务与业务资料整理

提取报表截图、合同扫描件和业务文档中的内容。

需要特别注意，OCR 识别结果不能直接替代财务数据核对。

AI自动化工作流

可以将 Unlimited-OCR-2 作为文档识别环节，后续交给其他 AI 模型完成分类、摘要、检索和数据整理。

七、免费吗？有哪些限制？

Unlimited-OCR-2 的 GitHub 代码和 Hugging Face 模型均采用 MIT 开源许可证。

开发者可以在符合许可证要求的前提下使用、修改和集成。

不过，免费开源不代表没有成本。

本地运行需要计算硬件；部署在线接口可能产生 GPU 服务器费用；Hugging Face 在线演示也可能受到资源限制。

此外，超长文档识别并不保证完全准确。对于合同金额、财务数字、公式和复杂表格，建议保留人工校对流程。

结语

Unlimited-OCR-2 的价值，不只是让 AI 识别图片里的文字。

它更重要的升级，是让 OCR 从单页识别，逐渐走向连续的长文档解析。

通过 SR-SWA 机制，模型可以在有限资源下更高效地处理不断增长的文档内容。

对于普通用户，可以先使用 Hugging Face 在线体验。

对于开发者，则可以通过 Transformers 或 SGLang 将模型接入自己的文档处理系统。

OCR的下一步，不只是认出每一个字，而是更完整地还原一整份文档。

网址

Unlimited-OCR GitHub开源项目

Unlimited-OCR-2模型下载

Unlimited-OCR-2在线体验

Unlimited-OCR第一代模型

MarathonDocBench评测数据集

百度智能云OCR文档