百度开源无限 OCR，跑通长程解析，核心作者 YY 疑是来自 DeepSeek

📌 一句话摘要

百度开源 Unlimited OCR，通过参考滑动窗口注意力（R-SWA）在一次前向推理中解析数十页文档，在 OmniDocBench 上超越 DeepSeek OCR，并引发核心作者来自 DeepSeek 的猜测。

📝 详细摘要

文章报道百度开源的 Unlimited OCR 模型，该模型以 DeepSeek OCR 为基线，通过将多头注意力替换为参考滑动窗口注意力（R-SWA），将输出侧 KV Cache 限制在固定窗口（默认 128 token），从而在解码阶段保持计算和显存开销恒定，实现真正的一次前向推理长程文档解析。实验显示，Unlimited OCR 在 OmniDocBench v1.5 上以 93.23%总分超越 DeepSeek OCR 6 个百分点，在 PPT、杂志等复杂版式上表现一致；长程实验中，处理 40+页文档的编辑距离低于 0.11，Distinct-35 约为 97%。文章还分析了 R-SWA 与 DeepSeek OCR 编码器 DeepEncoder 的互补关系，并基于技术报告风格、作者署名“YY”及 DeepSeek 人员离职动态，猜测核心作者可能来自 DeepSeek。

💡 主要观点

- Unlimited OCR 通过 R-SWA 将输出 KV cache 限制在固定窗口，解决长程解析的显存和延迟膨胀。 R-SWA 让模型始终关注视觉参考 token 和最近 128 个输出 token，模拟人类“软遗忘”的抄书过程，使解码计算开销不随输出长度增加。

Unlimited OCR 在 OmniDocBench 上以 93.23%得分超越 DeepSeek OCR 6 个百分点，复杂版式表现一致。 在 PPT、报纸、杂志等测试中全面领先，表明 R-SWA 不仅适用于简单文本，也适用于复杂版式，且准确性未因窗口限制而下降。

模型基于 DeepSeek OCR 的 DeepEncoder 改造解码器，实现了不依赖外部调度器的真正连续解析。 直接构建在 DeepSeek OCR 上，专门解决解码端 KV cache 膨胀问题，而非分页处理或外部拼接，属于技术路线上编码端与解码端的互补。

技术报告风格和作者署名暗示核心作者可能来自 DeepSeek 团队。 报告对 DeepSeek OCR 引用达 40 次，风格激进且具有故事性，署名“YY”的 technical director 去向不明，结合 DeepSeek 人员离职动态，推测为同一团队。

💬 文章金句

- Unlimited OCR 并没有另起炉灶。恰恰相反，它直接构建在 DeepSeek OCR 的基础之上。

• 一个发生在编码端，一个发生在解码端。单独看，两者各自成立，放在一起看，却意外地连贯。

📊 文章信息

AI 初评：88

来源：机器之心

作者：机器之心

分类：人工智能

语言：中文

阅读时间：19 分钟

字数：4685

标签： OCR, 文档解析, 注意力机制, 长程推理, 开源项目

阅读完整文章