baidu/Unlimited-OCR

解决的问题

Unlimited-OCR 专为「一次完成长距离解析」而设计，能够单次处理跨多页的复杂文档或长文档（如 PDF），相比之前的 OCR 系统（如 Deepseek-OCR）有显著提升。

工作原理

该项目提供一个可处理单张图像或多页文档的多模态模型。支持两种配置模式："gundam"（针对特定图像尺寸和裁剪优化）和 "base"（标准解析）。可通过 Hugging Face Transformers、vLLM（用于高吞吐量推理）或 SGLang（支持 OpenAI 兼容 API 的服务器部署）进行集成。

适用人群

需要对长篇内容、PDF 和多页图像进行高精度 OCR 与文档解析的开发者和研究人员。

主要亮点

• 长距离解析：专为处理多页文档和长距离内容而设计。
• 灵活部署：支持多种推理引擎，包括 Transformers、vLLM 和 SGLang。
• PDF 支持：内置工具可将 PDF 页面转换为图像，实现无缝解析。
• 高吞吐量：通过 SGLang 支持批量推理和并发请求。