Unlimited-OCR-2

Unlimited-OCR-2

百度的 3.3B 文档解析模型，面向长文档，用 SR-SWA 注意力让解码成本几乎保持不变，提供 Transformers 和 SGLang 两条使用路线。适合要把长报告和书籍数字化的团队。

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 2 是百度的 3.3B 参数模型，能读取文档图片并把它们变成文字。它面向长达数百页的文档。一种新的注意力方案 SR-SWA 把工作参考集固定在一个大小，比如 512 个 token。这样不管文档多长，解码时间和内存都几乎保持不变。

适合谁：把长篇扫描文档转成文字的团队、搭建文档流程的开发者，以及测试长文档解析的研究人员。

Industry | Who uses it | How they use it | Example
金融与法律 | 文档团队 | 把长篇扫描报告转成文字 | 解析一份很长的申报文件
出版 | 档案管理员 | 把书籍和论文数字化 | 转换一本扫描的书
软件 | 开发者 | 给应用加上文档解析 | 在 Python 脚本里调用模型
研究 | OCR 研究人员 | 在长文档基准上测试 | 试用 MarathonDocBench 数据集

如果你只读很短的文字片段，可以跳过它，因为那种场景用更轻的工具就够了。

用在哪里：

• 使用 Transformers 库的 Python，用于快速测试
• SGLang，模型卡推荐用它来部署
• vLLM，模型卡的更新记录说支持它
• Hugging Face Spaces、ModelScope 或百度智能云上的托管演示

Use case | Who | What they get back
长文档解析 | 文档团队 | 从长文档里读出的文字
快速测试 | 开发者 | 一个简短 Transformers 脚本的输出
部署服务 | 平台团队 | 基于 SGLang 搭建的文档解析服务

如何设置：

• Python 3.10，模型卡就是用它测试的
• NVIDIA GPU，因为模型卡在 80 GB 的 A800 上测试
• 下面命令里固定版本的软件包

1. 安装固定版本的软件包。
2. 在你的脚本里加载一次模型。
3. 把文档页面送进去，读取返回的文字。

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

pip install -U huggingface_hub
hf download baidu/Unlimited-OCR-2

如何使用：先加载一次模型和分词器，再让页面通过它。这里的模型卡文字在加载代码之后就结束了。

import torch
from transformers import AutoModel, AutoTokenizer

model_name = "baidu/Unlimited-OCR-2"

Tool | What it does
Transformers | 原生路线，用于快速测试
SGLang | 模型卡推荐用于部署的路线
SR-SWA | 让解码成本保持不变的注意力方案
hf download | 把仓库文件复制到你的电脑

示例：把一份长篇扫描报告的页面送进模型。你应该会得到文档的文字内容。这里的模型卡文字没有展示确切的输出格式，所以先拿一页检查一下。

新手与专家：如果你是新手，先试 Hugging Face Spaces 上的托管演示。然后在你自己的单页文档上运行 Transformers 路线。

如果你熟悉这个领域，SR-SWA 把文字到视觉的注意力压缩成一组固定的工作参考。这限定了每一步解码的成本，也消除了文档变长时注意力的平方增长。模型卡声称它在 MPDocBench 和 MarathonDocBench 上取得了最好的结果。

文档页面输入
视觉部分对它们编码
SR-SWA 保持固定的工作集
逐页解码出文字

注意事项：

• 模型卡用上面固定版本的软件包，在一块 A800 上用 Python 3.10 测试过。
• 更新记录提到了 vLLM 支持、ModelScope 和百度智能云，以及用 ms-swift 训练。
• 基准方面的说法是作者自己给出的。
• License: mit。
• Cost to run: 没有提到，只需要你自己的硬件。
• Data it reaches: 你给它的文档图片。来源没有提到账号，但托管演示是外部服务。
• Not for: 来源没有说明。

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：519,371
• 点赞：684
• 许可证：mit
• Quantized versions: 17
• Fine-tunes: 5
• 标签：transformers, safetensors, unlimited-ocr, feature-extraction, baidu, vision-language, image-text-to-text, multilingual

链接

• 模型：https://huggingface.co/baidu/Unlimited-OCR-2
• 文件：https://huggingface.co/baidu/Unlimited-OCR-2/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-2

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。