Unlimited-OCR真正的价值不是“100页一次读完”，而是把长文档解析从分页脚本升级成可审计的长上下文流水线
AH-0512与AH-0521都在讲百度2026年开源的Unlimited-OCR。 截至2026-08-15，官方GitHub仍然活跃，MIT License明确，README记录了vLLM、ms-swift等支持，并对应论文《Unlimited OCR Works》。 原帖最容易让人记住的是： “100页一次读完，本地免费，精度超过DeepSeek-OCR。” 但长期可用的结论不能停在这里。
Unlimited-OCR真正的价值不是“100页一次读完”，而是把长文档解析从分页脚本升级成可审计的长上下文流水线
AH-0512与AH-0521都在讲百度2026年开源的Unlimited-OCR。
截至2026-08-15，官方GitHub仍然活跃，MIT License明确，README记录了vLLM、ms-swift等支持，并对应论文《Unlimited OCR Works》。
原帖最容易让人记住的是：
“100页一次读完，本地免费，精度超过DeepSeek-OCR。”
但长期可用的结论不能停在这里。
1. “One-shot long-horizon”解决的是上下文组织，不是无限内存
长PDF传统上常被拆页OCR，再自己合并。
Unlimited-OCR的设计目标之一是长时域解析，让模型在更长页面序列中处理文档。
这能减少： 跨页标题断裂； 表格续页； 脚注； 章节关系； 上下文丢失。
但“100页”仍然受： GPU显存； 输入分辨率； 页面复杂度； 推理后端； 文档长度； 模型配置影响。
Demonstrated Horizon ≠ Universal Capacity。
2. “PDF转300dpi”也不是越高越好
更高DPI意味着更多像素、显存和时间。
纯文本扫描件、复杂表格、古籍、双栏论文、工程图的最优预处理可能不同。
生产系统应该先做： Page Type Detection → DPI/Resize Strategy → OCR → Structure Check → Confidence/Error Flag。
不是所有文件统一放大到同一个分辨率。
3. 本地运行 ≠ 零成本
开源免费只代表没有按页API费。
本地仍有： GPU/CPU； 内存； 电费； 部署； 模型下载； 维护； 等待时间； 失败重跑。
对于少量文档，云OCR可能反而更便宜。
对于大量敏感合同、研究档案或长期批处理，本地的隐私和边际成本优势才更明显。
No API Bill ≠ Zero Cost。
4. “超过DeepSeek-OCR”必须绑定具体Benchmark
OCR没有一个统一“准确率”。
至少要区分： 文本识别； 版面； 表格； 公式； 多语言； 古籍； 长文档； 跨页理解。
如果官方论文在特定benchmark上领先，这只能支持对应任务和设置。
不能缩写成： “所有OCR都更准。”
Benchmark Win ≠ Universal Superiority。
5. 真正生产可用还需要Error Surface
长合同最危险的问题不是模型完全读不出来，而是：
某一页漏掉； 金额识错； 表格行列错； 否定词丢失； 页码错位； 签章/手写被忽略。
所以输出不能只有一个“全文本”。
至少附： page mapping； low-confidence regions； table structure； unreadable flag； source image reference。
对于法律、金融、医疗文档，OCR结果必须回到原页核对。
6. 长上下文反而更需要Chunkless≠Reviewless
一次读100页最大的诱惑是：
“既然模型一次读完，就不用逐页检查。”
这是错的。
One-shot减少工程拆分，不减少事实责任。
真正有价值的是让模型跨页理解后，再把关键事实定位回页码/区域。
7. 数据隐私：Local Model和Local Workflow仍要区分
如果整个模型、文件、日志和后处理都在本机，本地化确实能降低文档上传第三方云的暴露面。
但如果后续把OCR文本发送给云LLM做摘要，数据又出去了。
因此要画：
PDF → OCR Runtime → Local Output → Downstream Model → Storage/Logs。
Local OCR ≠ End-to-end Local Data Path。
8. 商业机会：Document Evidence Pipeline
真正可以卖的不是“一个免费OCR模型”。
而是：
- 文档导入；
- OCR；
- 版面/表格；
- 原页定位；
- 错误标记；
- 人工复核；
- 可检索证据；
- 更新/版本。
目标客户： 合同团队； 投研； 档案； 制造业文档； 本地知识库。
9. V3要测什么
找真实文档集： 扫描合同； 论文； 表格； 中文古籍； 低清图片。
与当前方案比较： 页级召回； 关键字段错误； 表格恢复； 耗时； GPU成本； 人工复核时间。
只有人工总成本下降，才算真正更便宜。
Stop Rule
如果某种文档需要高算力、错误难发现、人工复核反而变长，就不要因为“本地免费”强行替换已有OCR。
长文档OCR真正的升级，不是把100页塞进一次调用，而是把每个识别结果重新连回可验证的原始证据。
10. 版面还原和文字识别是两套问题
很多OCR看上去“字都认对了”，但真正进入知识库后才发现段落顺序、表格列、标题层级和脚注关系已经错了。对于RAG或合同抽取，结构错误会直接改变语义。因此评测不能只算字符准确率，还应测试Reading Order、Table Structure和Page-to-Chunk Mapping。
11. 长文档需要断点恢复
一次跑几十上百页时，进程中断、显存不足或某页异常都可能让整次任务失败。生产管线应保存页级/段级checkpoint，能够只重跑失败部分，而不是每次从第一页开始。这会直接影响“本地更便宜”是否成立。
12. 模型更新也需要回归集
OCR模型或推理框架升级后，不应只看新Benchmark。保留一组自己的“黄金文档”：最难合同、最乱表格、最差扫描件、历史古籍。每次升级跑同一组，确认旧能力没有回退。Dynamic Model Capability必须进入Document Evidence的版本记录。