MarkTechPost 發布的一篇教學說明如何建置完整工作流程，在文件影像與多頁 PDF 上執行百度的 Unlimited-OCR 模型。該流程以 Google Colab 為設計環境，涵蓋環境設定、相依套件安裝、模型載入、範例文件生成、單頁 OCR，以及多頁 PDF 解析。Unlimited-OCR 代表視覺語言模型處理文件理解的更廣泛趨勢，透過單一端到端系統降低對傳統 OCR 引擎所採用之多階段流程——文字偵測、辨識與版面分析——的需求。

工作流程首先設定啟用 GPU 的執行環境，並安裝 Unlimited-OCR 推論所需的函式庫。它會確認可使用具備 CUDA 能力的 GPU，接著依硬體支援情況自動選擇 bfloat16 或 float16。教學從 Hugging Face 載入 tokenizer 與 3B 參數視覺語言模型，將模型切換為評估模式，並移至 GPU 進行推論。模型託管於 Hugging Face，使開發者能直接載入預訓練權重，不必從零開始訓練或微調文件辨識模型。

為建立可重現的測試輸入，教學設定必要的輸入與輸出目錄，並使用 PIL 生成三頁逼真的範例文件。這些頁面包含標題、段落、表格與註腳，使流程能在結構化且版面豐富的內容上測試辨識能力，而不僅限於簡單文字區塊。第一頁生成的文件會先以 Matplotlib 預覽，再送入 OCR 工作流程。

在單張影像 OCR 方面，教學首先使用 Gundam 模式，該模式結合文件的全域視圖與分塊影像裁切。在此設定中，crop_mode 會被啟用，並使用較小的 tile size 以保留細小文字，提升密集版面的辨識效果。工作流程也套用長輸出生成設定與重複控制，使模型在處理複雜文件時能產生穩定且結構化的輸出。

接著，同一份文件會以 Base 模式處理，該模式使用單一 1024 像素影像視圖。在此模式下會停用影像裁切，以降低推論複雜度，並提升乾淨、印刷清楚頁面的處理速度。教學保留相同的輸出長度與重複控制設定，以便在一致的生成參數下直接比較 Base 模式與 Gundam 模式。

隨後，該流程從影像 OCR 延伸至多頁 PDF 解析。教學由生成的文件影像建立一份三頁 PDF，並使用 PyMuPDF 將每一頁光柵化為高解析度 PNG。產生的頁面影像序列會傳入 infer_multi()，讓模型能在單次長程推論執行中解析完整文件。n-gram 重複視窗也會被加寬，以支援跨多頁的穩定解碼。

完成單頁與多頁推論後，教學會檢視工作流程產生的輸出目錄。它列出每個生成檔案，並顯示受支援的文字、Markdown、MMD 與 JSON 成果預覽。教學也包含一份簡明參考，用於選擇推論模式，針對密集影像、乾淨頁面與多頁 PDF 建議不同設定。結果可匯出為多種結構化格式——用於文件撰寫的 Markdown、用於下游程式化處理的 JSON，以及用於圖表渲染的 MMD——使該流程能適應不同的文件處理需求。

完成後的工作流程展示了如何在 Google Colab 中使用 Unlimited-OCR 處理高細節單頁文件與較長的多頁 PDF。它比較 Gundam 與 Base 推論模式，將 PDF 轉換為模型可用的頁面影像，執行長程文件解析，並從輸出資料夾檢視生成的文字、Markdown 與輔助成果。該設定也能適應不同 GPU 能力，同時保留穩定長文件解碼所需的生成參數。

MarkTechPost 表示，該工作流程為將 Unlimited-OCR 應用於報告、掃描表單、技術文件、表格及其他版面豐富內容提供了可重複使用的基礎，而無需依賴獨立的傳統 OCR 與版面分析堆疊。完整教學程式碼可於 GitHub 取得。