baidu/Unlimited-OCR

解決的問題

Unlimited-OCR 是為「一次完成長距離解析」而設計，可讓模型在單一處理流程中處理跨多頁的複雜文件或長文件（如 PDF），超越先前的 OCR 系統（如 Deepseek-OCR）。

工作原理

本專案提供一個可處理單張影像或跨多頁文件的多模態模型。支援兩種設定模式：「gundam」（針對特定影像尺寸與裁切進行優化）與「base」（標準解析）。可透過 Hugging Face Transformers、vLLM（高吞吐量推論用）或 SGLang（支援 OpenAI 相容 API 的伺服器部署）進行整合。

適用對象

需要對長篇內容、PDF 與多頁影像進行高準確度 OCR 與文件解析的開發者與研究人員。

主要亮點

• 長距離解析：專為處理多頁文件與長距離內容而設計。
• 彈性部署：支援多種推論引擎，包括 Transformers、vLLM 與 SGLang。
• PDF 支援：內建工具可將 PDF 頁面轉換為影像，實現無縫解析。
• 高吞吐量：透過 SGLang 支援批次推論與並行請求。