MarkTechPost发布的一篇教程描述了如何构建一个完整的工作流，在文档图像和多页PDF上运行百度的Unlimited-OCR模型。该流水线专为Google Colab设计，涵盖环境配置、依赖安装、模型加载、样本文档生成、单页OCR和多页PDF解析。Unlimited-OCR代表了视觉语言模型的更广泛趋势，即在单一端到端系统中完成文档理解，从而减少传统OCR引擎所需的多阶段流水线——文本检测、识别和版面分析。

工作流首先配置启用GPU的运行时环境，并安装Unlimited-OCR推理所需的库。它会验证是否存在支持CUDA的GPU，然后根据硬件支持情况自动选择bfloat16或float16。教程从Hugging Face加载分词器和30亿参数的视觉语言模型，将模型切换为评估模式，并将其移至GPU上进行推理。将模型托管在Hugging Face上使开发者能够直接加载预训练权重，无需从头训练或微调文档识别模型。

为创建可复现的测试输入，教程设置了所需的输入和输出目录，并使用PIL生成三张逼真的示例文档页面。这些页面包含标题、段落、表格和脚注，使流水线能够在结构化、版面丰富的内容上测试识别能力，而不仅仅是简单的文本块。第一张生成的页面在送入OCR工作流之前会使用Matplotlib进行预览。

对于单图像OCR，教程首先使用Gundam模式，该模式将文档的全局视图与分块图像裁切相结合。在此配置中，启用crop_mode并使用较小的分块尺寸，以保留细小文字并改善密集版面上的识别效果。工作流还应用了长输出生成设置和重复控制，使模型在处理复杂文档时能够产生稳定、结构化的输出。

随后使用Base模式处理同一文档，该模式使用单一的1024像素图像视图。在此模式下禁用图像裁切，以降低推理复杂度并提高清晰打印页面的处理速度。教程保持相同的输出长度和重复控制设置，以便在一致的生成参数下将Base模式与Gundam模式进行直接比较。

流水线随后从图像OCR扩展到多页PDF解析。教程从生成的文档图像创建一个三页PDF，并使用PyMuPDF将每页光栅化为高分辨率PNG。生成的页面图像序列被传递给infer_multi()，使模型能够在单次长时段推理运行中解析整个文档。n-gram重复窗口被扩大，以支持跨多页的稳定解码。

在运行单页和多页推理之后，教程检查工作流生成的输出目录。它列出每个生成的文件，并显示支持的文本、Markdown、MMD和JSON工件的预览。教程还包含一个简洁的推理模式选择参考，针对密集图像、清晰页面和多页PDF推荐不同的配置。能够以多种结构化格式导出结果——Markdown用于文档编写，JSON用于下游程序化使用，MMD用于图表渲染——使流水线能够适应不同的文档处理需求。

完成的工作流展示了如何在Google Colab中使用Unlimited-OCR处理高细节单页文档和较长的多页PDF。它比较了Gundam和Base推理模式，将PDF转换为模型可用的页面图像，执行长时段文档解析，并查看输出文件夹中生成的文本、Markdown和辅助工件。该设置还能适应不同的GPU能力，同时保留稳定长文档解码所需的生成参数。

MarkTechPost表示，该工作流为将Unlimited-OCR应用于报告、扫描表格、技术文档、表格和其他版面丰富内容提供了可复用的基础，无需依赖独立的传统OCR和版面分析技术栈。完整教程代码可在GitHub上获取。