百度长文档OCR开源刷屏:一次吃下一本书,作者疑是出走DeepSeek的大神

原创2026-10-17 18:55:572,157 阅读

百度长文档OCR开源刷屏:一次吃下一本书,作者疑是出走DeepSeek的大神

2026 年 6 月 22 日,百度在 GitHub 与 Hugging Face 同步开源了长文档 OCR 模型 Unlimited-OCR,官方标语直接打出 "Welcome the Era of One-shot Long-horizon Parsing"——一次推理吃下整本书。开源后热度迅速发酵:媒体报道其 5 天 Star 破万,Hugging Face Spaces 官方 Demo 上线,随之而来的还有一条更抓眼球的八卦:核心作者 "YY" 疑似从 DeepSeek 出走的大神。技术硬实力与人才流动叙事叠加,让这个项目在 OCR 圈子里刷了屏。本文基于仓库源码与公开情报,拆解"一次吃下一本书"背后的工程实现,并尝试回答一个问题:作者争议,到底为这个模型的热度加了多少分?

一、事件回顾:开源即顶流的节奏感

先从 README.md 的 Release 时间线看这次发布的排兵布阵:

  • 2026/06/22:GitHub + Hugging Face 同步发布,官方明确表示项目目标是 "aiming to push Deepseek-OCR one step further";
  • 2026/06/23:论文上线 arXiv(编号 2606.23050),ModelScope 同步托管;
  • 2026/06/24:Hugging Face 社区的 AK 制作在线 Demo,上线 HF Spaces;
  • 2026/06/28:获得 vLLM 社区支持,可直接用 vLLM 推理;
  • 2026/07/03:百度智能云上线该模型,随后开启限免体验;
  • 2026/07/21:接入 ms-swift 训练框架,支持社区微调。

一周之内,论文、在线 Demo、三大推理生态(Transformers / vLLM / SGLang)、云服务全部就位。这种节奏感本身就是在为"开源即爆款"做铺垫——社区拿到手的不是一个孤立的权重包,而是一整套开箱即用的长文档解析方案。

"一次吃下一本书"这个传播点并非空穴来风。Unlimited-OCR 的目标场景是多页 PDF、整本书、超长文档的端到端解析:仓库里演示的 long-horizon-ocr.gif(见 assets/long-horizon-ocr.gif)展示的就是数十页文档一次解析、版面结构完整还原的过程。相比传统"按页切片 → 逐页 OCR → 手工拼接"的流水线,这种 one-shot 长程解析天然具备话题性。

长程解析演示动图

二、源码拆解:"一本书"是怎么一次吃下的

"一次吃下"很容易被当成营销话术,但仓库源码确实给出了扎实的工程答案。整个模型是一条端到端的视觉-语言链路:视觉编码器负责"看",语言模型负责"读和写",两者之间用一条线性投影对接。

2.1 视觉侧:SAM + CLIP 双编码器拼接

从 config.json 和 deepencoder.py 可以看到视觉编码器的构成:vision_config 声明了 deeplip_b_l 结构,由 SAM ViT-B 与 CLIP-L(ViT-L/14) 两路组成;modeling_unlimitedocr.py 中 UnlimitedOCRModel 初始化时分别调用 build_sam_vit_b() 和 build_clip_l(),将两路特征在通道维拼接(local_features = torch.cat((local_features_2[:, 1:], local_features_1.flatten(2)...), dim=-1)),再经 projector_config 里定义的线性投影(input_dim: 2048 → n_embed: 1280)映射进语言模型语义空间。

SAM 提供高分辨率局部细节,CLIP 提供语义对齐能力——这对版面理解、公式、表格这类"既有像素又有语义"的任务是合理搭配。image_newline 与 view_separator 两个可学习参数则负责在 token 序列中标注图像块边界与视图边界。

2.2 语言侧:DeepSeek 血统的轻量 MoE

语言模型部分继承了 DeepSeek-V2 的架构(modeling_deepseekv2.py),但规模刻意做小:hidden_size: 1280、12 层、64 个 routed experts、每 token 激活 6 个(num_experts_per_tok: 6),词表 129280,最大位置编码 32768。社区评测文章普遍报道其总参数量约 3B、实际激活仅约 570M——典型的小激活、强能力的 MoE 设计。

2.3 核心创新:R-SWA 环形缓冲 KV Cache

长文档解析最大的拦路虎是 KV Cache 显存:序列越长,每层缓存越大,普通自回归解码在 32K 上下文下显存会迅速失控。Unlimited-OCR 的回答是 Reference Sliding Window Attention(R-SWA):解码阶段只保留一个固定大小的滑动窗口,用环形缓冲区原地覆盖旧 KV,让 KV Cache 内存从"随序列线性增长"变成"恒定 O(窗口)"。

这个机制在 modeling_deepseekv2.py 的 SlidingWindowLlamaAttention 里实现得相当直白,注释直接说明它是 "LlamaAttention with sliding window KV cache using a ring buffer during decode":

  1. Prefill 阶段:全量计算,记录 prefill_length;
  2. Warmup 阶段:窗口未满前正常 append;
  3. 稳态阶段:新 KV 直接原位覆盖环形槽位(kcache[:, :, slot:slot+1, :] = key_states...),ring_pos 按模 W 递增;
  4. 注意力在全量 cache 上计算,但 cache 长度被封顶为 prefill_len + W(W 即 sliding_window_size: 128)。

配合 modeling_unlimitedocr.py 里的 SlidingWindowNoRepeatNgramProcessor(窗口内 n-gram 重复抑制,与 SGLang 的 DeepseekOCRNoRepeatNGramLogitProcessor 对齐),长序列解码既省显存又避免了整本书解析时最常见的"复读机"问题。

2.4 一次吃下:infer_multi 的多页/整书路径

仓库提供了两种推理入口:单图模式 infer() 支持 gundam(base 1024 / 640 分块裁剪)与 base(1024 整图)两种配置;多页/PDF 模式走 infer_multi(),把每页渲染成图后一次性全部喂入,用 <PAGE> 标记分隔输出,最终生成带版面框可视化(result_with_boxes_*.jpg)与 Markdown 结果(result.md)的完整文档。README 中给出的调用方式非常精简:

model.infer_multi(
    tokenizer,
    prompt='<image>Multi page parsing.',
    image_files=pdf_to_images('your_doc.pdf', dpi=300),
    output_path='your/output/dir',
    image_size=1024,
    max_length=32768,
    no_repeat_ngram_size=35, ngram_window=1024,
    save_results=True,
)

部署侧同样铺满主流生态:Transformers 原生推理、vLLM 官方 Docker 镜像(vllm/vllm-openai:unlimited-ocr,Hopper 卡有 CUDA 12.9 变体)、SGLang 则直接随仓库附带了适配 wheel(wheel/sglang-0.0.0.dev11416+g92e8bb79e-py3-none-any.whl)。这意味着从个人单卡到企业级服务都能低成本跑起来——"本地 Agent / 知识库接入长文档解析"成了立刻可做的事,而非画饼。

Unlimited-OCR 整体架构示意图

三、"作者疑是出走 DeepSeek 大神"的来龙去脉

与热度并行传播的,还有一条作者八卦。媒体标题层层递进:36氪称"核心作者 YY 疑是来自 DeepSeek",智源社区写"作者疑似 DeepSeek 出走大神",新浪财经则表述为"作者疑似前 DeepSeek 研究员"。这些标题的底气来自几个可查证的细节:

其一,论文作者列表里的 "YY"。 README 的 Citation 区块给出了完整作者名单:Youyang Yin and Huanhuan Liu and YY and Qunyi Xie ...——"YY" 作为一个占位式署名直接出现在正式作者列表中,而 "YY" 正是 DeepSeek-OCR 团队核心作者的常用代号。仓库最近的 git 提交者也显示为 Youyang Yin(HYPERUU),与论文第一作者对应。

其二,README 明示的技术血缘。 发布说明第一句就是 "aiming to push Deepseek-OCR one step further",Acknowledgement 部分则同时致谢了 DeepSeek-OCR、DeepSeek-OCR-2 与 PaddleOCR。连对话模板(conversation.py)都保留了 DeepSeek 系的 SFT 格式与 <|end▁of▁sentence|> 终止符,生成配置(generation_config.json)中的 no_repeat_ngram_size: 35 也延续了 DeepSeek-OCR 的采样习惯。这种"源代码级"的延续性,让"YY 参与"的传闻在技术上显得高度自洽。

其三,时间线的合理性。 DeepSeek-OCR 于 2025 年 10 月 20 日开源,其"上下文光学压缩"思路(10 倍 token 压缩、面向超长视觉上下文)正是 Unlimited-OCR 长程解析方向的直接上游。从公开情报看,两者之间只隔了约 8 个月——"同一批人换个主场继续做同一件事"的叙事因此极具传播张力。

当然,"疑似"终究是"疑似"。GitHub 仓库属于 paddlepaddle 组织,论文挂靠百度系作者群,官方从未公开确认任何个人流动信息。作者争议是社区基于有限证据的合理联想,而不是官方背书的事实。

四、辨析:人才流动叙事,为热度加了多少分?

回到那个更值得思考的问题:作者八卦对模型热度的影响,究竟有多大?

先看可量化的部分。Unlimited-OCR 的传播确实叠加了双重杠杆:技术杠杆是"一次吃下一本书"的差异化卖点——在 PaddleOCR-VL(0.9B,主打单页文档解析)和 DeepSeek-OCR(主打光学压缩)都已就位的前提下,长文档端到端解析是市场里稀缺且刚需的生态位;叙事杠杆则是"出走大神"的戏剧性,它把一次常规开源变成了有人物、有前情、有对照的连续剧,天然适合标题传播。

但拆开看会发现,叙事本身不产生留存价值。真正让 Star 数、Demo 试用量、部署教程数量在开源后的一周内集中爆发的原因,是体验链路足够短:

  • 开源当天即有 HF Spaces 在线 Demo,动图演示直观可感知;
  • 三天后论文上线,技术细节可验证;
  • 一周内 vLLM、ModelScope、百度云陆续接入,部署门槛被压到最低;
  • 社区随即涌现大量部署指南(Transformers / vLLM / SGLang 全覆盖)和与 DeepSeek-OCR、PaddleOCR-VL 的横向评测。

换句话说,作者故事是"放大器",硬实力才是"发动机"。若无 R-SWA 带来的恒定 KV 显存、无 32K 上下文下的一次性整书解析、无三个推理后端的开箱支持,"YY 是谁"的悬念撑不过三天热度。反过来,正是这些工程细节经得起源码级检验,才让作者八卦有了"可信的土壤"——人们在讨论八卦时,讨论的其实是"这个人真的把 DeepSeek 的长程解析技术又往前推了一步"。

从更大的视角看,这场刷屏是中文开源生态的一次良性共振:模型可以流动,代码必须开源,技术路线在组织边界之间延续并被再次推进。Unlimited-OCR 的价值不在于"证明谁去了哪里",而在于它把长文档解析从"逐页拼接的苦活"推进到了"一次吃下一本书"的范式——至于作者是谁,GitHub 上的 1.1 万 Star 和社区里接连不断的部署实践,已经给出了更实在的答案。

登录后查看全文
Unlimited-OCR