Modelos OCR: Tesseract, PaddleOCR-VL ou um VLM de documentos?

Viacheslav Dubrov

2026-06-08 · Atualizado 2026-10-30 · 6 min · Sistemas de recuperação e linguagem

Tradução automática

Este artigo foi traduzido automaticamente a partir da versão original em inglês.

Escolha um sistema de reconhecimento ótico de caracteres (OCR) com base no documento e no resultado necessário. Páginas impressas limpas, formulários, tabelas, recibos, artigos de investigação, capturas de ecrã e manuscritos colocam problemas diferentes. Decida primeiro se precisa de texto bruto, disposição da página, campos estruturados ou respostas fundamentadas no documento.

Num PDF, verifique primeiro se o texto incorporado e a disposição da página são utilizáveis. Extraia-os diretamente se forem adequados à tarefa. Teste OCR clássico como o Tesseract para digitalizações limpas de páginas impressas. Teste o PaddleOCR-VL 1.6 para processar a disposição da página, texto, tabelas e fórmulas na sua própria infraestrutura. Teste o dots.mocr para gráficos estruturados. Um modelo geral de visão-linguagem (VLM) é outro candidato quando a tarefa também exige responder a perguntas visuais.

Compare os candidatos segundo os seus tipos de documentos, campos necessários, controlos de dados, latência e custo.

Tabela de decisão

OCR e compreensão de documentos

O OCR tradicional extrai caracteres. A análise de documentos com AI também precisa de disposição da página e significado. Células de tabelas, caixas de seleção, assinaturas, legendas e notas de rodapé podem conter texto, mas reduzir esses elementos a uma única cadeia de texto destrói as relações entre eles. Essa perda compromete depois a extração de campos e a resposta a perguntas.

Os modelos de visão-linguagem podem extrair campos e responder a perguntas sobre diagramas ou tabelas. Os seus resultados continuam a precisar de verificação na página. PaddleOCR-VL 1.6 combina análise da disposição da página com um componente VLM de 0.9B, enquanto o dots.mocr também analisa gráficos estruturados. Compare estes pipelines com OCR clássico nas páginas e nos campos de que precisa; um modelo maior não justifica substituir um extrator que funciona.

Classes de modelos e ferramentas

Um pequeno teste da ordem de leitura

A extração de texto pode recuperar todas as palavras e, ainda assim, perder a ordem das linhas de uma tabela. Este PDF sintético contém duas colunas:

As associações necessárias são Cable → 10 e Adapter → 25. O código escreve primeiro a coluna da esquerda e depois a da direita. Compare a extração predefinida do PyMuPDF com a extração ordenada por posição na mesma página. Guarde este código como reading_order.py e execute-o com uv run --with pymupdf==2.0 python reading_order.py; cria o PDF em memória e não precisa de um ficheiro de entrada.

import pymupdf

with pymupdf.open() as document:
    page = document.new_page(width=400, height=220)
    for x, values in [(40, ["Item", "Cable", "Adapter"]), (240, ["Price", "10", "25"])]:
        for y, value in zip([50, 80, 110], values):
            page.insert_text((x, y), value)

    stored = page.get_text().split()
    ordered = page.get_text(sort=True).split()
    assert stored == ["Item", "Cable", "Adapter", "Price", "10", "25"]
    assert ordered == ["Item", "Price", "Cable", "10", "Adapter", "25"]
    print("stored:", " ".join(stored))
    print("sorted:", " ".join(ordered))

Resultado observado com PyMuPDF 2.0:

stored: Item Cable Adapter Price 10 25
sorted: Item Price Cable 10 Adapter 25

O resultado predefinido preserva o texto, mas agrupa-o por coluna. A ordenação repõe a ordem das linhas neste exemplo, pelo que o OCR é desnecessário. Este teste verifica um comportamento de extração numa página criada para o exemplo; não compara a precisão dos modelos OCR. O PyMuPDF documenta o problema da ordem de leitura e a opção de ordenação. As células com várias linhas, as células unidas e as tabelas múltiplas precisam de testes separados. Para um documento real, defina os campos e as relações esperados antes de comparar um extrator de texto, um motor OCR e um VLM de documentos.

Arquitetura prática

Para análise de documentos com AI em produção, não enviaria todas as páginas para o modelo mais caro por defeito.

1. Inspecione o ficheiro e registe metadados ao nível da página. Nos PDFs, verifique se o texto existente e a ordem de leitura são adequados à tarefa.
2. Extraia diretamente o texto incorporado utilizável. O PyMuPDF recomenda verificar se é necessário OCR antes de o executar numa página.
3. Encaminhe digitalizações impressas limpas sem texto utilizável para OCR clássico.
4. Encaminhe tabelas, páginas com baixa confiança, regiões manuscritas e disposições complexas da página para um VLM ou parser especializado.
5. Exija structured output para os campos e valide depois os valores na página. Um esquema pode impor a estrutura dos campos sem provar que um valor aparece no documento.
6. Armazene fragmentos de origem, números de página, caixas delimitadoras quando disponíveis e a versão do modelo.
7. Faça amostragem para revisão humana por confiança, tipo de documento e impacto a jusante.

Adicione encaminhamento quando os testes mostrarem que diferentes tipos de página precisam de métodos diferentes. Verifique se o encaminhador não encaminha uma página difícil para um percurso que perca campos necessários.

Lista de verificação de avaliação

Não avalie o OCR apenas com a taxa de erro de caracteres. Para análise de documentos com AI, acompanhe:

• precisão ao nível dos campos extraídos
• preservação das células das tabelas
• precisão da ordem de leitura
• cobertura das páginas
• taxa de campos sem confirmação no documento
• suporte por citações ou fragmentos para as afirmações extraídas
• taxa de correções humanas
• custo por página e latência por documento

Leitura adicional

• OCR em 2026 aborda pipelines, VLMs, disposição da página, avaliação e custos.
• Métricas de avaliação de RAG é relevante quando o OCR alimenta um sistema de recuperação.

Referências

• Compreensão de documentos com Gemini
• Documentação do PaddleOCR-VL 1.6
• Versões do PaddleOCR
• dots.mocr
• OmniDocBench
• Orientações do PyMuPDF sobre OCR