五天破万星，一口气扫描一本书的无限OCR，为什么是新篇章
三句話摘要
百度團隊推出的 Unlimited OCR 技術，透過滑動窗口注意力機制突破傳統單頁掃描限制，實現一次處理整本文檔的能力。 Unlimited OCR 透過 RSWA 技術將模型從「逐頁掃描」升級到「一口氣吞下整本書」，是 OCR 領域的範式轉變，也為所有連續上下文依賴的 AI 任務開啟了新可能。 OCR 技術困境：傳統 Paddle OCR 串聯多階段處理但環節錯誤會全盤皆失；VLM 效果好但成本高速度慢；Deep SIG OCR 證明端到端小模型可行，但大文檔處理仍需逐頁掃描。
重點整理
重點- 1
OCR 技術困境：傳統 Paddle OCR 串聯多階段處理但環節錯誤會全盤皆失；VLM 效果好但成本高速度慢；Deep SIG OCR 證明端到端小模型可行，但大文檔處理仍需逐頁掃描。
- 2
核心創新在於 RSWA 滑動窗口注意力機制，改變了模型對上下文的理解方式——如同人類閱讀時眼前始終看著整本書，但大腦只需記住當下段落，從而模型一次可讀取整份連續文檔。
- 3
實測驗證強有力：30 頁論文測試中 Distinct 度接近滿分（表示幻覺極少），行級和數字召回率優於 Deep SigOCR；中文長文本無論單頁還是多頁掃描品質差距微乎其微。
- 4
技術仍有迭代空間：當前版本可連續多頁但尚未完全解決跨頁複雜元素（如表格）的自然合併，跨頁上下文割裂問題可靠訓練數據進一步改善；架構可擴展至語音識別和機器翻譯。
實用技巧與重點
乾貨- 核心技術：RSWA（Recurrent Sliding Window Attention）
- 對標模型：Deep SIG OCR（3B 參數）、Paddle OCR VL（0.9B 參數）
- 測試數據集：30 頁學術論文 PDF、30 頁中文小說 PDF
- 評估指標：Distinct（複讀檢測）、編輯距離、行級匹配、數字召回率
- 實測性能：Distinct 95% 以上、行級和數字召回率優於對標
- 推理速度：300+ token 每秒（部分 GPU 環境）
- 硬體注意事項：50 系列 GPU 需等待官方 PR 修正 Flash Attention 3 相容性
- 項目成績：5 天內破萬星
- 未來應用方向：語音辨識、機器翻譯、其他連續上下文依賴任務
結論
結論“Unlimited OCR 透過 RSWA 技術將模型從「逐頁掃描」升級到「一口氣吞下整本書」，是 OCR 領域的範式轉變，也為所有連續上下文依賴的 AI 任務開啟了新可能。”
完整解析
詳細OCR 技術長期面臨一個根本性困境：如何在保持精度的前提下高效處理大篇幅文檔。傳統的 Paddle OCR 採用串聯式多階段處理流程——先檢測文字框、再識別字符、最後拼合版面——雖然在工業領域佔據主導地位，卻有致命缺陷：任何一個環節出錯，後續環節便全盤皆失。後來 VLM 大視覺語言模型的出現帶來希望，但代價昂貴且速度緩慢，實際部署困難重重。
Deep SIG 團隊的貢獻在於證明端到端小模型的可行性——他們的 Deep SIG OCR 儘管僅有 3B 參數，在文檔解析基準測試上卻能達到 235B 大模型的水準。百度隨後推出的 Paddle OCR VL 更令人驚歎，僅 0.9B 參數卻展現驚人識別能力。然而兩者都繼承同一個問題：文檔越大輸出越慢，必須逐頁掃描。這個瓶頸在 Unlimited OCR 出現後被根本打破。
Unlimited OCR 的創新在於採用 RSWA 滑動窗口注意力機制取代傳統多頭注意力。這個改變打破了模型必須逐頁掃描的根本限制。原理如同人類閱讀——書籍始終呈現眼前，但大腦只需記住當下段落，這樣整本書就被理解為連續文檔，模型可一次性讀取並輸出。
作者進行了嚴格實驗驗證。30 頁學術論文測試中，Distinct 度接近滿分，表明模型幻覺極少。編輯距離分數看似不高，實因論文包含大量表格、公式和複雜版面——OCR 輸出與原始 PDF 格式本就不同，但內容完全可用。從行級匹配和數字召回率看，Unlimited OCR 優於 Deep SigOCR。中文長文本測試中，無論單頁或 20-30 頁掃描，品質差距微乎其微，準確率始終保持高水準。
實踐細節值得注意：當前版本可連續處理多頁但尚未完全解決跨頁複雜元素的自然合併；50 系列 GPU 用戶需注意 Flash Attention 3 相容性，官方已準備修正。速度達 300+ token 每秒，仍有優化空間。更重要的是，RSWA 技術應用遠不止 OCR——可擴展至語音識別和機器翻譯，這些任務同樣飽受上下文割裂困擾，滑動窗口機制有望根本改善一致性。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
