OCR sem limites: análise de longo horizonte em uma só passada

Estado do OCR Hoje

• Há forte discordância sobre se o OCR está “resolvido”.
• Alguns argumentam que o OCR tradicional é rápido, barato e muito confiável para muitos documentos impressos e simples.
• Outros dizem que, mesmo em 2026, o OCR “ainda é ruim”, especialmente para layouts complexos, tabelas, matemática e digitalizações reais e desorganizadas.
• Escritas não latinas (CJK, árabe, vietnamita, tailandês) e caligrafia cursiva ou histórica são citadas como especialmente desafiadoras.

OCR Tradicional vs OCR Baseado em LLM/VLM

• OCR tradicional:
  • Bom para detecção em nível de caractere, formulários preenchidos à mão, layouts fixos e uso offline em CPU.
  • Muitas vezes tem dificuldade com entendimento de layout (múltiplas colunas, cabeçalhos/rodapés, anúncios, estruturas irregulares).
• OCR baseado em LLM/VLM:
  • Melhor para lidar com scripts diversos, cursiva, conteúdo multilíngue e layouts complexos.
  • Pode aproveitar priors de linguagem para corrigir entrada ruidosa, mas levanta preocupações com alucinações e correções silenciosas.
  • Ofertas comerciais em nuvem (por exemplo, grandes APIs de OCR em nuvem) são avaliadas em torno de “85%” de precisão, caras e com modos de falha diferentes.

OCR Sem Limites e Atenção de Longo Horizonte

• O crescimento do cache KV é um grande gargalo para documentos longos; abordagens ingênuas exigem segmentação por página.
• O Unlimited OCR usa Reference Sliding Window Attention:
  • Global: sempre atende à imagem completa do documento.
  • Local: mantém apenas uma pequena janela móvel do próprio texto gerado.
• Isso busca manter o contexto em todo o documento sem crescimento de memória O(N), o que é promissor para PDFs longos e implantação local.
• Alguns questionam se a janela local é pequena demais para entradas muito longas ou com muitos tokens.

Casos de Uso, Ferramentas e Benchmarks

• Usuários mencionam usar uma variedade de ferramentas (marker, Mistral OCR, Claude, serviços em nuvem, frameworks de parsing de documentos) com resultados mistos.
• Para documentos técnicos longos e complexos (normas, datasheets, PDFs científicos), segmentação sensível à estrutura e contexto de múltiplas páginas são vistos como cruciais.
• Há pedidos de comparações com outros parsers OCR SOTA e benchmarks; a posição atual do Unlimited OCR em relação aos modelos líderes não está clara.

Confiabilidade, Alucinações e Confiança

• Há preocupação de que modelos sensíveis ao contexto “corrijam” texto (nomes, palavras estrangeiras) ou traduzam quando deveriam apenas transcrever, o que pode ser inaceitável para uso arquivístico ou jurídico.
• Alguns propõem ciclos caros de verificação (regenerar imagens a partir do texto e comparar visualmente) para se aproximar de uma confiabilidade quase 100%.

Código Aberto e Estratégia

• O código aberto por grandes empresas é visto como motivado por uma mistura de ideais, reputação, contratação, construção de ecossistema e possível impacto estratégico sobre concorrentes.
• Alguns veem a ampla disponibilização de modelos fortes de OCR vindos da China como algo que possivelmente enfraquece a receita de laboratórios de IA ocidentais.