OCR ilimitado: análisis de largo alcance en una sola pasada

Artículo original ↗ Discusión en Hacker News ↗

Estado actual del OCR

  • Hay un fuerte desacuerdo sobre si el OCR está “resuelto”.
  • Algunos sostienen que el OCR tradicional es rápido, barato y muy fiable para muchos documentos impresos y sencillos.
  • Otros dicen que, incluso en 2026, el OCR “todavía apesta”, especialmente en diseños complejos, tablas, matemáticas y escaneos reales desordenados.
  • Los scripts no latinos (CJK, árabe, vietnamita, tailandés) y la escritura cursiva o histórica se citan como especialmente desafiantes.

OCR tradicional vs OCR basado en LLM/VLM

  • OCR tradicional:
    • Bueno para detección a nivel de carácter, formularios rellenados a mano, diseños fijos y uso offline en CPU.
    • A menudo tiene problemas para entender la estructura del documento (multicolumna, encabezados/pies de página, anuncios, estructuras irregulares).
  • OCR basado en LLM/VLM:
    • Mejor para manejar scripts diversos, cursiva, contenido multilingüe y diseños complejos.
    • Puede aprovechar sesgos lingüísticos para corregir entradas ruidosas, pero plantea preocupaciones sobre alucinaciones y correcciones silenciosas.
    • Las ofertas comerciales en la nube (p. ej., las principales API de OCR en la nube) se valoran en torno a un “85%” de precisión, son caras y presentan modos de fallo distintos.

Unlimited OCR y atención de largo alcance

  • El crecimiento de la caché KV es un gran cuello de botella para documentos largos; los enfoques ingenuos requieren fragmentación por página.
  • Unlimited OCR usa Reference Sliding Window Attention:
    • Global: siempre atiende a la imagen completa del documento.
    • Local: solo conserva una pequeña ventana móvil de su propio texto generado.
  • Esto busca mantener el contexto de todo el documento sin crecimiento de memoria O(N), lo que resulta prometedor para PDFs largos y despliegue local.
  • Algunos cuestionan si la ventana local es demasiado pequeña para entradas muy largas o con muchos tokens.

Casos de uso, herramientas y benchmarks

  • Los usuarios mencionan usar una variedad de herramientas (marker, Mistral OCR, Claude, servicios en la nube, marcos de análisis de documentos) con resultados mixtos.
  • Para documentos técnicos largos y complejos (estándares, datasheets, PDFs científicos), se considera crucial el troceado consciente de la estructura y el contexto multipágina.
  • Se piden comparaciones con otros parsers OCR SOTA y benchmarks; la posición actual de Unlimited OCR frente a los modelos líderes no está clara.

Fiabilidad, alucinaciones y confianza

  • Preocupa que los modelos sensibles al contexto “corrijan” texto (nombres, palabras extranjeras) o traduzcan cuando solo deberían transcribir, lo que puede ser inaceptable para usos archivísticos o legales.
  • Algunos proponen bucles de verificación costosos (regenerar imágenes a partir del texto y compararlas visualmente) para acercarse a una fiabilidad casi del 100%.

Código abierto y estrategia

  • Se ve el open source por parte de grandes empresas como impulsado por una mezcla de ideales, reputación, contratación, construcción de ecosistema y posible impacto estratégico sobre competidores.
  • Algunos consideran que la publicación amplia de modelos OCR potentes desde China podría debilitar los ingresos de los laboratorios de IA occidentales.