百度 Unlimited-OCR 评测：开启单样本长序列解析的新时代

一句话介绍

Unlimited-OCR 是由百度开源的一款革命性多模态 OCR 模型，主打”单样本长序列解析”能力，能够在极少的标注数据下实现高精度的文档理解与文字识别，目前已登上 Hugging Face 热门榜，获得超过 259 万次查看 和 3240 个点赞。

它是什么？

Unlimited-OCR 是百度实验室推出的新一代 OCR（光学字符识别）解决方案，旨在突破传统 OCR 方法对大量标注数据的依赖，通过创新的”单样本学习”架构实现对各种复杂文档格式的快速适配。该模型参数量为 3B，采用 Vision-Language（视觉-语言）联合建模方式，不仅能识别文字，还能理解文档的结构和语义内容。

该项目已在 Hugging Face 上开源，采用 MIT 许可证，允许商业和非商业用途自由使用。配套的 GitHub 仓库地址为 https://github.com/baidu/Unlimited-OCR，已收获 19.4k+ Stars 和 1.9k+ Forks，社区关注度极高。相关研究成果也已在 arXiv 上发表（论文编号：2606.23050）。

Unlimited-OCR 的核心突破在于”无样本迁移学习“——在没有任何特定领域样本微调的情况下，即可泛化到新文档类型；同时只需单个样本即可快速适配新场景，极大降低了 OCR 落地的门槛。

核心功能

1. 单样本极速适配（One-Shot Adaptation）

这是 Unlimited-OCR 最大的亮点。传统 OCR 模型通常需要大量标注数据进行领域适配，而 Unlimited-OCR 仅需单个示例样本即可快速适应新的文档布局、字体样式或专业术语。例如，用户只需提供一份手写发票样本，模型即可立即学会提取发票中的关键字段，无需重新训练或收集大量数据。

2. 长序列文档解析

与传统 OCR 仅能处理单个小图像不同，Unlimited-OCR 支持长序列文档输入，可以一次性解析多页 PDF、扫描图册甚至整本书的内容。模型内部设计了高效的长上下文注意力机制，能够保持跨页的语义连贯性，完整理解长文档中的章节结构、表格关系和引用逻辑。

3. 多语言支持

Unlimited-OCR 原生支持中英双语识别，并可通过少量样本扩展至其他语种。无论是简体中文的公文排版、繁体中文的手写笔记，还是英文的科技论文、财务报表，模型都能准确识别并输出结构化文本。

4. 结构化输出

不同于传统 OCR 仅返回纯文本字符串，Unlimited-OCR 能够输出带位置信息的结构化数据，包括：

文本块及其坐标区域
标题层级（H1/H2/H3…）
表格结构和单元格内容
列表项编号
图片/图表描述

这使得生成的文本可以直接用于后续的自然语言处理任务，如问答系统、知识图谱构建等。

5. 低资源友好

由于采用了先进的预训练-微调范式，Unlimited-OCR 在计算资源要求上相对较低，普通 GPU 即可进行推理。模型提供了基于 Hugging Face Transformers 的接口，用户可以一行代码加载模型，快速开始使用：

from transformers import pipeline

ocr = pipeline("ocr", model="baidu/Unlimited-OCR")
result = ocr("document.pdf")
print(result)

适用人群

企业文档自动化人员：需要批量处理合同、发票、报表等文档的企业用户，可以利用 Unlimited-OCR 快速搭建文档提取流水线，无需聘请专业人员制作标注数据集。
科研工作者：需要将大量纸质文献数字化的研究人员，可以使用 Unlimited-OCR 快速扫描并结构化整理文献内容，建立个人知识库。
开发者：希望在自己的应用中集成 OCR 功能的开发者，可以通过简单的 API 调用实现强大的文档解析能力，特别适用于需要处理特殊格式文档的场景。
教育培训机构：需要批改作业、整理试卷的教育从业者，可以利用该工具快速将纸质材料转换为可编辑的电子文档。
档案管理人员：负责历史文档数字化管理的图书馆或档案馆工作人员，可以对老旧档案进行高精度扫描和文字提取，方便保存和检索。

与同类工具对比

特性	Unlimited-OCR	Tesseract	Adobe Acrobat Google Docs	Azure Form Recognizer
单样本适配	✅ 支持	❌ 不支持	❌ 不支持	⚠️ 需少量样本
长序列解析	✅ 支持	❌ 分页处理	✅ 有限支持	✅ 支持
结构化输出	✅ JSON/结构化	❌ 纯文本	✅ 有限	✅ 强
多语言支持	✅ 中英+可扩展	✅ 多种	✅ 多种	✅ 多种
开源免费	✅ MIT 许可证	✅ Apache 2.0	❌ 付费	❌ 按量付费
本地部署	✅ 支持	✅ 支持	❌ 云端为主	❌ 云端为主
推理速度	⚠️ 中等（3B 模型）	✅ 快速	✅ 快速	⚠️ 依赖网络

Unlimited-OCR 的独特优势在于其单样本学习能力和完全开源免费的特性。相比 Tesseract 等传统工具，它在理解文档结构和语义上更强大；相比云服务的商业方案（如 Azure Form Recognizer），它无需支付费用且数据隐私更有保障（可完全本地化处理）。

如何使用

第一步：环境准备

确保已安装 Python 3.8+ 和 pip，然后安装必要的依赖包：

pip install transformers torch accelerate sentencepiece

推荐使用 CUDA 版本的 PyTorch 以获得更好的 GPU 加速效果。

第二步：加载模型

Unlimited-OCR 提供了多种使用方式，最简单的方式是通过 Hugging Face 的 pipeline API：

from transformers import pipeline

# 加载 OCR 管道（首次下载会较慢）
ocr_pipeline = pipeline("ocr", model="baidu/Unlimited-OCR")

# 读取图片或 PDF
result = ocr_pipeline("image.jpg")

或者使用更底端的 API 进行自定义控制：

from transformers import AutoModelForVision2Seq, AutoProcessor
import torch
from PIL import Image

model_name = "baidu/Unlimited-OCR"
processor = AutoProcessor.from_pretrained(model_name)
model = AutoModelForVision2Seq.from_pretrained(model_name)

image = Image.open("document.jpg").convert("RGB")
inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model.generate(**inputs)
text = processor.decode(outputs[0], skip_special_tokens=True)
print(text)

第三步：单样本适配（高级用法）

如果想让模型更好地适应用户特定的文档类型，可以提供一个样本进行快速微调：

from transformers import Seq2SeqTrainer, Seq2SeqTrainingArguments

# 准备训练数据（仅需要少量样本！）
train_data = load_your_samples("your_document_samples/")

# 配置训练参数
training_args = Seq2SeqTrainingArguments(
    output_dir="./unlimited-ocr-finetuned",
    per_device_train_batch_size=4,
    num_train_epochs=3,
    learning_rate=5e-5,
)

# 开始快速微调
trainer = Seq2SeqTrainer(
    model=model,
    args=training_args,
    train_dataset=train_data,
    tokenizer=processor,
)

trainer.train()
trainer.save_model("./unlimited-ocr-finetuned/final")

仅需 10-20 个样本 即可完成有效微调，时间通常在几分钟到几小时内，具体取决于硬件性能。

第四步：批量处理文档

对于批量的文档处理需求，可以编写脚本循环处理：

import os
from pathlib import Path

doc_dir = Path("/path/to/documents/")
output_dir = Path("/path/to/output/")

output_dir.mkdir(exist_ok=True)

for doc_file in doc_dir.glob("*.pdf"):
    result = ocr_pipeline(str(doc_file))
    output_file = output_dir / f"{doc_file.stem}.json"
    output_file.write_text(json.dumps(result, ensure_ascii=False, indent=2))
    print(f"已处理: {doc_file.name}")

第五步：API 部署（可选）

如果需要将 Unlimited-OCR 作为服务部署，可以使用 FastAPI 构建一个简单的 REST API：

from fastapi import FastAPI, File, UploadFile
import uvicorn

app = FastAPI()
ocr_pipeline = pipeline("ocr", model="baidu/Unlimited-OCR")

@app.post("/ocr/")
async def process_image(file: UploadFile = File(...)):
    image = Image.open(io.BytesIO(await file.read()))
    result = ocr_pipeline(image)
    return result

uvicorn.run(app, host="0.0.0.0", port=8000)

这样其他应用程序就可以通过网络调用 OCR 服务了。

总结推荐指数

Unlimited-OCR 代表了当前 OCR 技术的最新发展方向，它将少样本学习、长文档理解和结构化输出三大能力融合到一个模型中，为用户提供了前所未有的文档解析灵活性。

优点： - 🌟 单样本适配，大幅降低使用门槛和前期准备成本 - 🌟 支持长序列文档，可一次性解析多页 PDF/扫描件 - 🌟 结构化输出，直接得到带位置和语义的信息 - 🌟 完全开源免费（MIT 许可证），可私有化部署 - 🌟 基于 Transformers，易于与现有 AI 工作流整合 - 🌟 百度出品，技术实力有保障，社区活跃

不足： - ⚠️ 3B 参数模型对显存有一定要求，低端 GPU 推理可能较慢 - ⚠️ 长文档解析时处理时间相对较长 - ⚠️ 中文手写体识别效果仍在优化中，不如印刷体稳定 - ⚠️ 文档理解能力虽然强大，但尚未达到人类专家的细致程度

综合评分：8.⁸⁄₁₀

Unlimited-OCR 是目前最具创新潜力的 OCR 开源项目之一，特别适合需要快速落地文档处理但又没有大量标注数据和预算的用户。对于大多数应用场景，它的表现已经非常出色；而对于有特殊需求的用户，单样本微调的能力让其具有极高的扩展性。

如果你是开发者、研究者或企业 IT 人员，正在寻找一款强大且灵活的 OCR 解决方案，Unlimited-OCR 绝对值得尝试。结合其活跃的 GitHub 社区和持续的更新，这个项目很可能会在未来成为事实上的行业标准之一。

本文基于 2026 年 7 月 27 日的公开信息撰写，工具功能和性能可能随时更新，请以官方最新信息为准。