AI奶爸 (@zstmfhy) “📢 百度昨天刚开源了一个很有意思的 OCR：Unlimited OCR 名字就很狂——"无限"。 看完技” — TopicDigg

📢 百度昨天刚开源了一个很有意思的 OCR：Unlimited OCR 名字就很狂——"无限"。 看完技术报告，核心就一句话：它让 AI 像人类一样"抄书"。 ✅️ 完整图像信息始终可见，不会丢 人类抄书时眼睛始终能看到原书，R-SWA 让每个生成的 token 都能 attend 到所有视觉 token，视觉特征不会像传统滑动窗口那样逐步模糊。 ✅️ 输出端只保留最近 128 个 token 就像人类只会偶尔瞄一眼刚写的几个字确认进度，不会把整本书背下来。这个设计让模型自主追踪解析进度，实现"软遗忘"。 ✅️ KV Cache 恒定，一次前向推理直接转录数十页 没有分段，没有拼接，没有"忘了前面写了什么"的尴尬。32K 标准上下文下，整篇论文丢进去一次性输出。 📊 更狠的是性能 从视频演示看，它直接把整篇技术报告（十几页）丢进去，一次性输出完整结构化结果——标题、正文、表格、公式、参考文献，全部精准还原。延迟还不随页数增长，传统全注意力越往后越慢，R-SWA 全程稳定。 🔍 报告里的一个"彩蛋" 🤔 但最让我好奇的，是技术报告里的一个「彩蛋」 核心贡献者三位：Youyang Yin、Huanhuan Liu*（项目 leader）、YY†（技术总监）。 前两位用真名，唯独技术总监挂了缩写 "YY"。 YY 是谁？YYDS？DS？ 更微妙的是，GitHub 致谢栏把 DeepSeek-OCR 和 DeepSeek-OCR-2 排在了前两位。而 DeepSeek-OCR 系列的核心作者魏浩然，正是春节前后从 DeepSeek 离职、传闻将入职「某大厂」的那位。 国内 OCR 圈不大，能做出 R-SWA 这种级别突破、还对 DeepSeek OCR 架构有「亲手做过」级别熟悉的人，一只手数得过来。 技术报告的行文风格也很有意思——故事性极强、想法激进、带有强烈的探索型色彩。这些标签，此前几乎是 DeepSeek 技术报告的专属。 当然，这只是我看完报告后的一个直觉。百度官方没说什么，我也只是猜猜。 模型已开源，感兴趣去点个 ⭐ 👉GitHub： 👉HuggingFace： 感觉百度最近搞 AI 的路子，真的不太一样了。