百度于 6 月 22 日发布了 Unlimited OCR 模型，这款新模型拥有 30 亿总参数，但在推理过程中仅激活 5 亿参数，旨在解决长文档解析时端到端 OCR 模型速度递减的问题。

端到端 OCR 模型是一种整合了文本检测和字符识别的统一神经网络架构，与传统需要分步处理的流程不同，它能直接将图像映射为文本序列，从而减少信息损失和计算开销。

现有主流端到端 OCR 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上升，用户会感觉到 AI 处理多页文档的速度越来越慢。

Unlimited OCR 沿用了 DeepSeek OCR 的架构，包括 DeepEncoder 和 Mixture-of-Experts（MoE）解码器。尽管拥有 30 亿总参数，但其推理时仅激活 5 亿参数。

在编码阶段，Unlimited OCR 采用了两级视觉编码，并在连接处进行了 16 倍的 token 压缩，将 1024×1024 的 PDF 图像压缩至 256 个视觉 token，从根本上减轻了预填充的负担。

Unlimited OCR 在训练方面，是在 DeepSeek OCR 的基础上继续进行了 4000 步的训练，期间冻结了 DeepEncoder，仅训练了解码器。训练使用了大约 200 万份文档样本，并在 8x16 A800 GPU 上完成，其中单页和多页样本的比例约为 9:1，多页样本是通过拼接方式生成的。

根据基准测试结果，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。其文本编辑距离为 0.038，公式 CDM 得分为 92.61，表格 TEDS 为 90.93，读序编辑距离为 0.045。在 OmniDocBench v1.6 上，该模型的综合得分进一步提升至 93.92。这一进步为用户提供了一个更高效的文档解析解决方案，正如在世界杯官网等平台上，信息处理的速度和准确性至关重要。