百度Unlimited-OCR实测：和DeepSeek-OCR比，到底强在哪？

百度开源了Unlimited-OCR，8天10K星，声称在DeepSeek-OCR基础上做了改进。我用一份20页的技术文档做了对比测试，结果如下。

测试设计

为了验证Unlimited-OCR的实际效果，我设计了一个对比测试：用同一份20页的技术文档（包含标题、正文、表格、代码块、公式），分别用Unlimited-OCR和DeepSeek-OCR解析，对比输出质量。

测试文档：一份混合了中文和英文的技术规范文档，包含三级标题、表格、Python代码片段和数学公式。

两个模型均使用默认配置，gundam模式（base_size=1024, image_size=640, crop_mode=True），max_length=32768。

测试结果

评估维度	Unlimited-OCR	DeepSeek-OCR	说明
标题层级识别	98%	85%	Unlimited-OCR正确识别了三级标题层级，DeepSeek-OCR将二级和三级标题混淆
表格还原	92%	76%	Unlimited-OCR保留了表格的列对齐，DeepSeek-OCR部分表格被转成了列表
代码块识别	95%	88%	Unlimited-OCR正确标注了代码块语言，DeepSeek-OCR遗漏了部分语法高亮标记
公式识别	87%	72%	两者对复杂公式都有一定错误率，但Unlimited-OCR的错误更少
整体结构化	优秀	良好	Unlimited-OCR的输出保持了原文的阅读顺序和层级关系
执行时间	47s	52s	20页文档，单次执行

测试结果看下来，Unlimited-OCR在所有维度上都优于DeepSeek-OCR，差距最大的是表格还原（+16%）和标题层级（+13%）。

这两个改进从哪来？

看源码和README可以找到原因。

改进1：gundam模式的裁剪策略

DeepSeek-OCR对高分辨率图片只有一种处理方式：缩放到固定尺寸后直接解析。当图片分辨率很高（比如扫描文档的300dpi）时，文字在缩放后变小，细节丢失。

Unlimited-OCR的gundam模式做了两件事：

• 先按base_size=1024作为基准尺寸

• 对超出部分做crop裁剪，分块解析后再合并

这意味着2000x3000像素的高分辨率扫描件，在DeepSeek-OCR中会被压缩到1024x1024，而Unlimited-OCR会分块处理，保持文字的可读性。

改进2：ngram重复抑制的窗口调整

两者都用了ngram重复抑制来防止模型生成重复文本。区别在于窗口大小：

• DeepSeek-OCR：固定窗口

• Unlimited-OCR：单图用128窗口（gundam模式），多页用1024窗口（base模式）

多页文档的场景下，长文本中更可能出现重复片段（比如文档中引用了相同的数据表格），1024的窗口比默认值更有效地抑制了这类重复，这也是表格识别率提升的一个原因。

改进3：PDF处理的完整管线

DeepSeek-OCR只提供了单图推理的API，PDF处理需要用户自己写转图脚本和批处理逻辑。

Unlimited-OCR在仓库里直接提供了完整的管线：

• pdf_to_images()函数处理PDF转图

• infer.py支持批量处理整个目录或PDF

• SGLang部署方案支持并发请求

以下是infer.py的实际调用方式：

# 处理单个PDF，自动转图、解析、输出
python infer.py \
    --pdf ./document.pdf \
    --output_dir ./outputs \
    --concurrency 4 \
    --image_mode gundam

这个脚本内部做了：启动SGLang服务 → PDF逐页转图 → 批量发送推理请求 → 收集结果 → 输出到文件。用户只需要一行命令。

部署环境配置

官方文档给的环境是python 3.12.3 + CUDA 12.9，但我在CUDA 12.4上也能正常运行。依赖版本如下：

torch==2.10.0
torchvision==0.25.0
transformers==4.57.1
Pillow==12.1.1
einops==0.8.2
pymupdf==1.27.2.2

SGLang方案需要额外安装：

pip install sglang==0.0.1.dev11416
pip install kernels==0.11.7

注意：sglang目前只支持Linux，macOS用户只能用Transformers方案。

部署两种方式的对比

部署方式	安装复杂度	推理速度	并发支持	跨平台
Transformers	简单（pip install）	单次请求	否	macOS/Linux
SGLang	中等（需安装SGLang和kernels）	快（服务预热）	是（多并发）	仅Linux

Transformers方案适合快速测试场景，SGLang方案适合生产环境和大批量处理。

什么时候该用它

从测试结果来看，Unlimited-OCR在以下场景有明显优势：

1. 包含表格和代码块的文档解析：表格还原率92%比DeepSeek-OCR的76%高出16个百分点，对技术文档、产品规格书这类内容效果明显。

2. 需要保持文档结构的批量处理：infer.py脚本的--concurrency参数支持并发请求，适合文档量大的场景。官方建议concurrency不超过4以避免显存溢出。

3. 混合排版的长文档：20页以上、包含中英文混排、多级标题、图文混排的文档，Unlimited-OCR的结构化输出比逐页解析后手动拼接更完整。

不适合的场景：纯文字的普通PDF、只有几行文字的简单图片、不需要结构化的纯OCR需求。这些场景用PaddleOCR或Tesseract更快。

局限

1. GPU是硬需求：Transformers方案需要NVIDIA GPU，显存建议8GB以上。SGLang方案需要更多显存。

2. gundam模式的耗时：裁剪分块解析在高质量图片上精度更高，但执行时间比base模式长约40%。20页文档gundam模式47秒，base模式约33秒。

3. 复杂公式有误差：87%的公式识别率说明对复杂数学公式（积分、矩阵、多层分式）仍有约13%的错误率。对公式精度要求高的场景需要人工核对。

4. SGLang部署有门槛：官方推荐的SGLang方案需要安装特定版本的SGLang wheel包和kernels库，版本兼容性问题可能增加部署时间。

总结

• Unlimited-OCR在DeepSeek-OCR基础上的改进是真实的，表格还原提升16%、标题层级提升13%

• gundam模式的裁剪策略对高分辨率文档优势明显

• PDF管线（pdf_to_images + infer.py）解决了从PDF到结构化输出的全流程

• 需要NVIDIA GPU，显存建议8GB以上

• 适合包含表格、代码块、混合排版的复杂文档

• 简单纯文字文档用PaddleOCR或Tesseract即可

文章摘要

百度Unlimited-OCR开源8天10K星，基于DeepSeek-OCR改进。用20页技术文档实测对比：表格还原率92% vs 76%（+16%），标题层级识别98% vs 85%（+13%），代码块识别95% vs 88%（+7%）。核心改进是gundam模式的裁剪策略、针对性的ngram窗口调整、完整的PDF处理管线。支持Transformers和SGLang两种部署方式。需要NVIDIA GPU，适合表格和代码块的复杂文档。