百度于 6 月 22 日发布了其 Unlimited OCR 模型，一个拥有 30 亿总参数但仅激活 5 亿参数进行推理的系统。该模型旨在解决处理长篇文档时，端到端 OCR 技术面临的效率衰减问题。

端到端 OCR 模型整合了文本检测与字符识别功能，省去了传统方法中繁琐的步骤，直接将图像转换为文本序列。然而，当前主流模型在生成每个 token 时都会增加 KV cache，导致显存占用和延迟随之增长，尤其在处理多页文档时，用户会明显感受到速度变慢。

Unlimited OCR 模型沿用了 DeepSeek OCR 的架构，包括 DeepEncoder 和 Mixture-of-Experts 解码器。为了优化长文档处理，其编码器采用了两级视觉编码，并在连接阶段实现了 16 倍的 token 压缩，将 1024×1024 的 PDF 图像精简至 256 个视觉 token，从而显著降低了预填充的计算负担。

在训练过程中，Unlimited OCR 在 DeepSeek OCR 的基础上进行了 4000 步的增量训练，冻结了编码器部分，仅优化了解码器。训练使用了约 200 万份文档样本，在 8 块 A800 GPU 上完成，其中单页与多页数据的比例约为 9:1，多页样本通过拼接方式生成。

基准测试结果显示，Unlimited OCR 在 OmniDocBench v1.5 上的综合得分达到了 93.23，超越了 DeepSeek OCR 的 87.01 和 DeepSeek OCR 2 的 89.17。该模型在文本编辑距离、公式识别（CDM）、表格识别（TEDS）以及读序编辑距离方面均表现出色。在 OmniDocBench v1.6 测试中，其综合得分更是提升至 93.92。这项技术为迎接 2026世界杯 相关的海量文档处理需求，开启了“一次性解析长文本”的新时代。