Unlimited-OCR

Unlimited-OCR

用 Baidu 的 3.3B 视觉语言模型把文档图片和多页 PDF 解析成文字，适合把 OCR 和文档解析加入自己工具的开发者。

由 baidu 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Unlimited-OCR 是 Baidu 推出的 3.3B 参数图片转文字模型，用来读取文档。你给它一页图片、多页图片，或转成图片的 PDF，它把内容解析成文字。作者把它定位为比 Deepseek-OCR 更进一步的模型，通过 transformers 库运行。

适合谁：它适合在自己代码里把扫描页和多页文档变成文字的开发者和团队。

Industry | Who uses it | How they use it | Example
金融和法律 | 运营团队 | 把扫描的多页文档解析成文字 | 一次调用读完一叠扫描的合同页
出版和档案 | 档案管理员 | 把页面图片数字化 | 旧扫描件变成可搜索的文字
软件 | 开发者 | 给应用加入文档解析 | 一个对每个上传页面调用模型的服务
人工智能研究 | 研究人员 | 研究长文档解析 | 在同样的页面上对比它和 Deepseek-OCR 的输出

如果你没有 NVIDIA GPU，这里的 transformers 示例无法按原样运行，你可以先跳过它。

用在哪里：

• 在 NVIDIA GPU 上用 transformers 库的 Python
• vLLM，项目列出它支持推理
• ms-swift，项目列出它支持训练
• Baidu Cloud 和 ModelScope，项目说模型在那里可用
• Hugging Face Spaces 演示，想不安装就试用时可以用

Use case | Who | What they get back
单页解析 | 开发者 | 从一张图片解析出的文字，保存到你指定的输出文件夹
多页解析 | 文档团队 | 一次调用得到多页图片的解析文字
PDF 解析 | 数据团队 | PDF 的页面变成图片后得到的解析文字

如何设置：

你需要先准备：

• Python 和一块 NVIDIA GPU，因为示例把模型放到 CUDA 上
• 下面的包版本，项目用 Python 3.12.3 和 CUDA 12.9 测试过
• 大约 6.7 GB 磁盘空间存放 BF16 权重

1. 用 pip 安装固定版本的包。
2. 用 hub 工具下载模型文件。
3. 用下面的 Python 代码加载分词器和模型。

torch==2.10.0
torchvision==0.25.0
transformers==4.57.1
Pillow==12.1.1
matplotlib==3.10.8
einops==0.8.2
addict==2.4.0
easydict==1.13
pymupdf==1.27.2.2
psutil==7.2.2

pip install -U huggingface_hub
hf download baidu/Unlimited-OCR

import os
import torch
from transformers import AutoModel, AutoTokenizer
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,
)
model = model.eval().cuda()

如何使用：加载之后，对一张图片调用 infer，或对多页图片调用 infer_multi。单张图片可以用 gundam 设置或 base 设置。多页和 PDF 只用 base 尺寸。

model.infer(
    tokenizer,
    prompt='<image>document parsing.',
    image_file='your_image.jpg',
    output_path='your/output/dir',
    base_size=1024, image_size=640, crop_mode=True,
    max_length=32768,
    no_repeat_ngram_size=35, ngram_window=128,
    save_results=True,
)

Tool | What it does
model.infer | 用 gundam 或 base 设置解析一张图片
model.infer_multi | 以 1024 的图片尺寸一次解析多页图片
PDF route | 用 PyMuPDF 以 300 dpi 把每页 PDF 变成图片，再调用 infer_multi

示例：你把 page1.png 到 page3.png 三张页面图片，连同多页提示词传给 infer_multi。模型一起解析它们，并把结果保存到你设置的输出文件夹。

新手与专家：这是一个 OCR 模型，从页面图片里读出文字。第一步可以先试 Hugging Face Spaces 演示，装好包之后再试单张图片的示例。

从内部看，gundam 在图片尺寸 640 时打开裁剪模式，base 在 1024 时关闭它。示例把最大长度设为 32768，不重复 n-gram 大小设为 35，多页运行用更宽的窗口。权重是 BF16，4-bit 的大小是估算值。

页面图片或 PDF 页面输入
提示词告诉模型要解析什么
模型在 GPU 上读取页面
解析结果保存到你的输出文件夹

注意事项：权重大小取决于精度，4-bit 的数字是估算值。

Title: 不同精度的权重大小
BF16: 6.7 GB
4-bit 估算: 1.7 GB

• 远程代码: 示例设置了 trust_remote_code，所以会运行随模型提供的代码
• 硬件: transformers 示例面向 NVIDIA GPU
• 其他版本: 列出了其他人做的 40 个量化版本和 16 个微调版本
• License: MIT
• Cost to run: 未提及，GPU 由你自己提供
• Data it reaches: 你指向的图片和 PDF，以及它写入的输出文件夹

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：3.3B
• Weights: about 6.7 GB in BF16; about 1.7 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：5,833,292
• 点赞：5,004
• 许可证：mit
• Quantized versions: 40
• Fine-tunes: 16
• 标签：transformers, safetensors, unlimited_ocr, feature-extraction, baidu, vision-language, image-text-to-text, conversational, multilingual

链接

• 模型：https://huggingface.co/baidu/Unlimited-OCR
• 文件：https://huggingface.co/baidu/Unlimited-OCR/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download baidu/Unlimited-OCR

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。