El OCR vuelve a investigarse

🧩Tres apuestas técnicas#

Mismo objetivo, arquitecturas divergentes

Mistral OCR 4, PaddleOCR PP-OCRv6 y Baidu Unlimited-OCR buscan el mismo resultado, pero apuestan por vías distintas: un modelo multilingüe alojado como servicio, una familia de modelos con menos de 35M parámetros que se ejecutan en el dispositivo y un analizador de largo alcance con caché KV constante. La divergencia es el tema central.

🌐Mistral OCR 4#

Como servicio, multilingüe y atento a la estructura

Mistral OCR 4 se apoya en una amplia cobertura lingüística y una salida que recoge la estructura del documento, mediante una API alojada como servicio. Así, presenta el OCR como un servicio de pago, en lugar de un modelo que ejecutas tú. Compite por la facilidad de uso y la fidelidad de las tablas y la disposición de los elementos, más que por la precisión en el reconocimiento de caracteres.

📦PP-OCRv6#

50 idiomas con menos de 35M parámetros

PP-OCRv6 de PaddleOCR ofrece una familia de modelos por niveles, lo bastante pequeños para ejecutarse en el dispositivo y capaces de cubrir 50 idiomas. Es la propuesta opuesta a los VLM alojados como servicio: detección y reconocimiento en un componente diminuto e integrable, en lugar de una llamada remota.

📜Unlimited-OCR#

Análisis en una pasada, sin dividir las páginas

Unlimited-OCR de Baidu mantiene una caché KV constante para analizar documentos largos en una sola pasada, en lugar de dividir las páginas. Replantea el OCR como un problema de decodificación de largo alcance, en el que la longitud del contexto y la memoria determinan lo que puede leer una sola pasada hacia delante.

🔬Análisis técnico a fondo#

La convergencia, documentada

Un artículo de investigación que explica cómo estos tres lanzamientos replantean el OCR de documentos: pequeños especialistas frente a VLM generales, análisis de largo alcance sin dividir las páginas y qué medir realmente cuando las pruebas de referencia se saturan.

⚖️Especialista frente a VLM general#

Dónde se nota realmente el equilibrio

Un modelo dedicado exclusivamente a documentos sacrifica versatilidad para reducir el costo y la latencia; un VLM de vanguardia puede leer cualquier contenido, pero tiene un costo por token y pierde precisión con las tablas. La elección rara vez depende de la precisión máxima: depende del costo por cada mil páginas y de cómo se integra la salida en las etapas posteriores de análisis.

💸Costo por página#

El verdadero criterio de selección

Los VLM generales cobran por token sobre toda la página renderizada; los especialistas cobran un importe fijo muy bajo. Al procesar documentos a gran escala, la diferencia es de varias veces, lo que explica por qué un especialista que sobre el papel rinde peor suele ser el elegido para producción.

🧾Fidelidad estructural#

Tablas, matemáticas y orden de lectura

La mera precisión en el reconocimiento de caracteres oculta la parte difícil: reconstruir tablas, ecuaciones y el orden de lectura. Los modelos que devuelven la disposición de los elementos de forma estructurada, además del texto, son los que resisten el contacto con PDF reales y formularios escaneados.

🛠️Ubicación en el flujo#

Qué va dónde en una arquitectura RAG/documental

El OCR precede a la segmentación, la generación de embeddings y la recuperación. Elegir ahí el modelo equivocado propaga errores a todas las etapas posteriores, por lo que decidir dónde situarlo, con extracción previa o con un VLM dentro del ciclo, importa más que un punto en una prueba de referencia.

🔎Extracción previa o dentro del ciclo#

Dos patrones de integración

El OCR puede ejecutarse una sola vez al principio y enviar texto limpio al índice, o un VLM puede leer la página bajo demanda dentro del ciclo del agente. La extracción previa es más barata y permite almacenar los resultados en caché; la lectura dentro del ciclo es flexible, pero supone pagar el costo del VLM en cada consulta.

🧵Propagación de errores#

Por qué se acumulan los efectos de las decisiones iniciales

Una tabla mal leída durante el OCR se convierte en un embedding incorrecto, una recuperación errónea y una respuesta equivocada expresada con seguridad. La etapa más barata para corregir la calidad documental es la extracción, no los parches posteriores en los prompts.

📊El techo de las pruebas de referencia#

OmniDocBench se está saturando

Cuando varios modelos se agrupan por encima de 90 en el mismo conjunto de pruebas, la clasificación deja de aportar una señal útil. Las diferencias relevantes pasan a ser la cobertura multilingüe, la fidelidad estructural en tablas y expresiones matemáticas y los dólares por página, aspectos que una única puntuación saturada no refleja.

🗣️Cobertura multilingüe#

El próximo factor real de diferenciación

A medida que convergen las puntuaciones de los documentos en inglés, la amplitud de la cobertura lingüística pasa a marcar la diferencia. Un modelo sólido con las escrituras latinas, pero débil con CJK, árabe o escrituras índicas, es un producto distinto de uno entrenado para ofrecer cobertura global.

❓Qué medir a continuación#

Más allá de una sola puntuación

La pregunta abierta es qué sustituye a una clasificación saturada: rangos de precisión por idioma, F1 a nivel de estructura y calidad normalizada por costo. Hasta que esas métricas se estandaricen, elegir un modelo seguirá siendo una decisión de ingeniería, no una consulta a una clasificación.