刚刚, 百度开源拿下全球第一! 作者疑似DeepSeek出走大神

新智元报道

[新智元导读]百度开源UnlimitedOCR！3B参数500M激活，一口气读完40页不失忆。作者疑似DeepSeek出走的OCR核心大神。

就在刚刚，百度闷声干了票大的！

最新开源的UnlimitedOCR，总参数3B，实际激活仅500M——放在大模型时代几乎是个零头。

但就是这个小到离谱的模型，在OmniDocBenchv1.5上拿下93.23%的综合分，v1.6更是达到93.92%，直接刷新了端到端SOTA。

什么概念？v1.5同台竞技的选手里，235B的Qwen3-VL拿了89.15，72B的Qwen2.5-VL拿了87.02，不公布参数量的Gemini-2.5Pro也只有88.03。激活参数不到它们零头的选手，反手把它们全甩了。

更离谱的是，它还干了件之前没有OCR模型干成过的事：一口气解析40多页文档，不失忆、不降速，一次推理从第一页读到最后一页。

目前，模型和代码都已同步上线GitHub和HuggingFace。

GitHub：

https://github.com/baidu/Unlimited-OCR

HuggingFace：

https://huggingface.co/baidu/Unlimited-OCR

为什么所有模型都在「逐页失忆」

说到OCR，现在模型笨得让人意外。

它们会把一件原本连贯的长程任务，硬生生切成几十个互不相干的小任务，再靠一个外部调度器把结果勉强缝起来。就像在跑一个for循环，处理完一页就把记忆清空，再从头开始下一页。

能用，但本质上只是工程的权宜之计，离真正的智能还差着一大截。

究其原因在于，随着输出越来越长，标准注意力机制下的KV缓存像滚雪球一样疯涨——内存吃不消，速度越来越慢。

这才是逼着所有模型逐页处理、频频「失忆」的真正元凶。

但人类抄书，从来不是这么干的。

我们会维持一种连续的认知状态——眼睛盯着三个点：原书、刚写下的一小段、即将要写的下一个字。

早些写过的内容慢慢淡出脑海，最近的上下文用来盯住当前进度。

这种能力有个很妙的名字：「软遗忘」（softforgetting）。

正是靠着这种「该忘就忘」的本事，人才能在极低认知负荷下扛住超长任务。比如，抄一本书、译几百页、连续转录数小时音频。

百度想做的，就是把人类这种「原文全局可见、记忆只保留最近几行」的注意力方式，搬进模型里。让OCR告别失忆。

R-SWA：把「抄书的秘密」写进注意力

顺着这个思路，百度提出了报告里的核心技术——参考滑动窗口注意力（ReferenceSlidingWindowAttention，R-SWA），精确对应前面说的人抄书时的注意力模式。

具体来说，每生成一个token，R-SWA都会去看全部「参考token」，也就是整张图像的视觉token和提示词，保证模型始终「看得见」完整原文。

但在输出这一侧，它只回看前面128个token，就像你抄书时只瞄一眼刚写的那几行。

落到实现上，UnlimitedOCR把所有注意力层全换成R-SWA，从而把KV缓存变成一个固定容量的队列。

每生成一个新token，最老的那个就被挤出去，大小始终不变。输出1万个token和10万个token，内存占用是完全一样的。

报告中FlashAttentionv3的延迟测试也一目了然。

DeepSeekOCR的标准MHA随着解码步数增加，每步耗时稳步攀升；而UnlimitedOCR的R-SWA从头到尾一条平线，纹丝不动。

一次推理，读完几十页

这里还有一个至关重要的配合：DeepEncoder。

这个最初在DeepSeekOCR中登场的编码器，能把一张1024×1024的PDF页面压缩到仅仅256个视觉token，压缩率高达16倍。

而且由于视觉token在R-SWA下不参与状态转移，因此无论文档多长，图像信息永远清清楚楚，不会随解码过程逐渐退化。

配合DeepEncoder的极致压缩和R-SWA的恒定缓存，UnlimitedOCR在标准的32K上下文里，一次前向推理就能转录数十页文档。

结果显示，同时输入20页文档，转录与原文逐字比对的编辑距离仅0.057；即便输入40页以上，依然控制在0.11以下，衡量重复输出的Distinct-35高达97%——几十页一口气转录，几乎没有复读。

在OmniDocBenchv1.5上，UnlimitedOCR拿到93.23%的综合得分，比DeepSeekOCR的87.01%高出6.22个百分点。

文本编辑距离从0.073降到0.038，公式CDM从83.37飙到92.61，表格TEDS从84.97升至90.93。

在更新的v1.6上，同样以93.92%拿下端到端SOTA。

效率方面同样碾压。

输出达到6144个token时，UnlimitedOCR的TPS是7847，DeepSeekOCR已经掉到5822，差距高达35%。

别忘了，这是一个500M激活的MoE小模型，在DeepSeekOCR基础上仅继续训练4000步的结果。

投入不算大，但效果拔群——R-SWA对解析任务是一种真正的「免费午餐」。

九大文档类型的细分对比中，PPT、论文、杂志、报纸无一短板，UnlimitedOCR在文本和阅读顺序两项上全面超越DeepSeekOCR，且在七个类别中领先DeepSeekOCR2。

一位神秘的技术总监

跑分说完了。但这份报告真正有意思的地方，是行文方式。

从副标题的语气到技术的叙事，读过DeepSeek那几份技术报告的人，几页下来就会觉得似曾相识。

末尾还断言R-SWA是通用解析机制，而OCR只是第一站。

一篇OCR报告，硬是写出了探索通用智能的味道。

然后，是那个最让人在意的地方——作者名单。

核心贡献者三位：YouyangYin，HuanhuanLiu*（项目leader），YY†（技术总监）。

两个人用真名，唯独技术总监挂了个两字母缩写。有点意思。

虽然论文没多说，但GitHub致谢栏却把线索递了过来：Deepseek-OCR和Deepseek-OCR-2，排在致谢前两位。

顺着这条线往回找。DeepSeekOCR从一代到二代，核心作者始终三个人：魏浩然、孙耀峰、李宇琨。同一支小队伍，从无到有。

今年4月DeepSeek发V4，魏浩然名字后面多了星号——已离职。

三个人里，只有他已经公开离开。

再看履历。魏浩然，阶跃星辰出身，主导开发了端到端OCR最早跑通的开源标杆GOT-OCR2.0。到DeepSeek后，更是一手搭起整条OCR线，DeepEncoder、MoE解码器，一代到二代都是他的团队。

能力、时间线、署名方式，三条都对得上。

国内OCR圈不大，能做出R-SWA这种级别突破、还对DeepSeekOCR架构有「亲手做过」级别熟悉的人，一只手数得过来。魏浩然是其中最显眼的那一个。

如此一来，YY大概率就是魏浩然了。

百度，依然能打

过去几年，PaddleOCR几乎是国产OCR的代名词。开源、轻量，产业落地最广——从手机端到服务器到嵌入式设备，覆盖了最主流的应用场景。

不过之前百度更侧重产业应用。稳定性、部署成本、场景覆盖是强项，「用前沿研究理念重塑OCR范式」这个方向并非其叙事重点。

而魏浩然做的，恰好就是这件事。

从GOT-OCR2.0的端到端一次解析，到DeepSeek-OCR的视觉压缩，再到R-SWA——先想清楚OCR应该长什么样，再做出来。

一边是产业落地最成熟、场景覆盖最广的工程底座；一边是端到端长程解析最前沿的研究品味。两者叠加，补齐的不只是一个技术短板，而是一种「既能大规模铺开、又能持续引领范式」的完整能力。

百度今年把AIDU人才计划升级为集团级项目、薪酬不设上限。对一个想把研究做到落地的人来说，百度多年铺下来的产业底座，比单纯的高薪更有说服力。

魏浩然如果真的选了百度，逻辑就很清楚——这里有最成熟的产业底座，也有把研究推到前沿的空间和资源。

如果他真的把R-SWA推广到ASR和翻译，那百度手里握着的就不只是一个OCR模型，而是一套通用长程解析的技术框架。

论文展望里还留了一句：下一步，上下文窗口训到128K，构建prefillpool让模型学会自动翻页。

如果做到了，OCR就不再是识别一页文字，而是理解一整本书。