# Unlimited-OCR 多页长文：一次处理有续页的清单，检查页面顺序与条目遗漏

## 执行范围

已生成并实际渲染8页原创PDF、24条作者真值与7处跨页续写；Unlimited-OCR未下载或推理，reference不是OCR结果，不伪造识别准确率。

## 输入与目标

原创8页连续设备清单：跨页条目、页尾注释和重复页眉，附逐条真值

交付：真实长输出、页-条目对照与遗漏/重复报告

## 运行

以下输入查看命令从练习包根目录执行；先按文件 requirements.txt / package.json 或原生工具文档安装依赖。浏览器练习需 `npx playwright install chromium`；也可设置 `PLAYWRIGHT_EXECUTABLE_PATH` 为自己的 Chrome 路径。

```sh
对照 fixtures/page-1.png … page-8.png
# 自有Unlimited-OCR环境按页序输入后另存真实结果
```

## 目录

- fixtures：作者原创输入，不包含用户真实资料。
- starter：读者待完成任务。
- reference：作者完成参考。
- results：作者实际运行所得或明确标注的待运行输入/预期合同。

## 七步

1. **保留多页结构**

原始设备清单8页、24条记录，7个条目跨页续写。不要先把作者真值输入模型，否则无法评估是否真的读取页面。

2. **逐页核对页码**

查看PDF与page-1到page-8原生渲染，确认输入文件顺序。文件名字母排序或漏一页都会影响上下文续接。

3. **声明续写合同**

要求记录保留id、名称、序号、数量、负责人和sourcePages。续页文本属于上一条时应合并，不能另建无id新条目。

4. **调用原生多页**

在自己的Unlimited-OCR环境按官方多页示例送入有序图像，保留真实返回。本文不运行权重或云推理，results不放伪造识别回复。

5. **检查跨页条目**

重点对照E003/E006等七个跨页ID，回看前页末尾与后页开头。数量相同不能证明备注、日期和位置已经配对正确。

6. **排查重复和遗漏**

比较24条id集合、字段与sourcePages，区别缺记录、重复记录和字段错归。识别不清写待核，不用作者真值悄悄补齐后报告满分。

7. **移交原文与对照**

分发8页PDF/PNG及明确作者参考CSV/JSON。真实OCR结果由读者另存，再做逐字段差异，避免把规则校验冒充模型识别。

## 来源

- https://huggingface.co/baidu/Unlimited-OCR/raw/main/README.md
- https://huggingface.co/docs/transformers/main/en/model_doc/unlimited_ocr


## 可运行的本地脚本

模型脚本未由作者执行，不自动下载权重。自备本地模型目录及官方依赖后，从包根执行 `(cd reference && python infer_local.py --model-dir <existing-local-model-dir>)`；模型路径应为自己的绝对路径。推理结果另存results，作者参考真值不应作为模型输入。