Cargando...
Blog
Explicaciones claras de la investigación que está transformando el OCR y la IA documental.
17 min de lecturaarXiv:2610.11148
SP-DocReader: reducir a la mitad la tasa de error de OCR en Vary-600K con self-play sensible a las diferencias
Con Qwen3-VL-4B, SP-DocReader reduce en aproximadamente un 54% la tasa de error de caracteres en Vary-600K frente al ajuste fino supervisado de dos épocas, entrenando un módulo de OCR mientras el backbone permanece congelado.
23 min de lecturaarXiv:2610.11818
Modelos pequeños, datos estructurados: ¿pueden los VLM ligeros sustituir a las API en la nube en la extracción de documentos complejos?
¿Pueden los modelos de visión de 4B–7B extraer JSON estructurado de archivos complejos en GPU locales? Un nuevo estudio de FAU Erlangen evalúa 8 VLM de pesos abiertos en colecciones universitarias.
12 min de lectura
Enviamos una página en blanco a 184 motores de OCR. Algunos la leyeron de todos modos.
Al presentar una imagen blanca vacía de 800 por 1000 píxeles a los modelos de visión modernos, los motores de OCR clásicos devuelven silencio. Los modelos más recientes redactan cartas sobre ovnis, casos judiciales victorianos y anuncios de salud intestinal.
19 min de lecturaarXiv:2610.07091
Deje de enviar cada página a un modelo de visión: lecciones de investigadores de Citigroup, EY y NVIDIA
Un preprint sobre ingesta documenta que el 92 % de las páginas de un corpus interno omitieron el OCR a nivel de página, explica el chunking consciente de la estructura y mide adónde se destina el tiempo de extracción.
7 min de lectura
OpenOCR ahora detecta resultados vacíos de Gemini 3.1 Flash-Lite y de cualquier motor posterior
Gemini 3.1 Flash-Lite de Google a veces no devuelve texto en páginas perfectamente legibles a pesar de reportar éxito. OpenOCR ahora detecta esto en todos los motores, explica el motivo, conserva el resto del PDF y nunca te factura más de lo cobrado por el proveedor.
17 min de lecturaarXiv:2610.02880
Encontrado pero no leído: por qué los modelos de visión-lenguaje aún se benefician del OCR
Añadir texto mediante OCR en CPU aumentó la precisión en QA de documentos entre 13 y 16 puntos porcentuales en FoveDoc-Bench, revelando una brecha entre recuperar la evidencia y utilizarla.
13 min de lectura
Presentamos OpenOCR Stratify
Estamos diseñando Stratify para dividir documentos complejos en partes legibles, elegir las herramientas adecuadas para cada una y mantener cada resultado vinculado a su fuente.
17 min de lecturaarXiv:2610.01191
Segmentación de bengalí manuscrito sin deep learning: análisis en profundidad de procesamiento de imágenes
Cómo investigadores de la KUET utilizaron procesamiento adaptativo de imágenes y conteo iterativo de contornos para segmentar palabras manuscritas en bengalí sobre papeles de colores y sombras.
22 min de lecturaarXiv:2609.40356
La edición de texto en escenas de video aún falla: cómo ViTeX-Bench expone los trade-offs
ViTeX-Bench evalúa el reemplazo preciso de texto en videos reales. Sus resultados exponen los trade-offs entre caracteres correctos, movimiento estable y preservación de la escena.
17 min de lecturaarXiv:2609.28757
Entrenar un modelo de visión de 500M para navegación más que duplicó su puntuación en OCR-Bench
Investigadores aplicaron post-entrenamiento a un modelo de visión y lenguaje de 500M para asistencia a personas ciegas y con baja visión, mejorando su puntuación ANLS en OCR-Bench en un 101.5% y sugiriendo que el anclaje espacial puede transferirse al razonamiento sobre texto visual.
14 min de lecturaarXiv:2609.29240
Rompiendo el bucle de alucinaciones: cómo TOLA reduce la superresolución de texto por difusión a un solo paso
La difusión puede enfocar texto borroso, pero un prior de texto incorrecto puede reforzar el carácter equivocado durante la restauración iterativa. TOLA utiliza una sola predicción de imagen, reduciendo el tiempo de inferencia medido de 9.95s a 132ms.
11 min de lecturaarXiv:2608.13783
ImageNet lleva 14 años evaluando modelos con una clave de respuestas defectuosa
Una nueva reanotación de ImageNet-1k descubrió que el 12% de sus etiquetas son erróneas y que un tercio de las imágenes son multietiqueta; corregirlo modifica la precisión hasta en 6 puntos.
13 min de lecturaarXiv:2608.18957
Dentro del pipeline de 22.6 millones de imágenes que Harvard construyó para encontrar las ilustraciones que el OCR ignora
El nuevo pipeline de Harvard extrajo 22.6 millones de ilustraciones a partir de un millón de libros escaneados, recurriendo a modelos diminutos en lugar de costosos VLM.
10 min de lecturaarXiv:2608.18696
Un pipeline de OCR tradicional acaba de superar a Gemini, GPT y Claude al leer sánscrito
Un pipeline CRAFT+GNN+CTC con fine-tuning lee manuscritos históricos en sánscrito con mayor precisión que Gemini, GPT y Claude tras corregir apenas tres páginas.
10 min de lecturaarXiv:2608.22366
Alimentar un corrector de IA con una mala estimación de OCR: cuándo ayuda y cuándo arruina la página
Un nuevo estudio sobre manuscritos árabes revela que «dejar que la IA corrija el OCR» solo funciona cuando la estimación del OCR es lo bastante cercana como para ser confiable.
9 min de lecturaarXiv:2608.22346
El dataset de exámenes que califica con rúbricas, no por intuición
Un nuevo dataset vincula 485 respuestas de examen escaneadas con las rúbricas reales utilizadas para calificarlas, criterio por criterio, y no solo con una puntuación final.
11 min de lecturaarXiv:2608.26091
Cómo leer planos de carreteras sin perder el dibujo: una mirada a PlanSightRAG
Un nuevo sistema RAG prescinde por completo del OCR y razona directamente sobre imágenes de planos, alcanzando un 91% de precisión de recuperación en dibujos de los DOT.
15 min de lecturaarXiv:2609.03445
El compilador en el bucle: cómo DocEDR de Tencent utiliza el renderizado para verificar y reparar OCR
DocEDR de Tencent utiliza predicciones renderizadas para diagnosticar y reparar OCR, elevando el Case-F1 de diagnóstico de fórmulas en 30.99 puntos respecto a DOCR-Inspector-7B.
20 min de lecturaarXiv:2609.03595
¿Hasta dónde puede llevar los datos sintéticos al OCR tailandés? Dentro de la receta que alcanzó un CER mediano del 1.24%
La reconstrucción controlada de documentos sintéticos ayudó a un modelo de OCR tailandés de 0.9B a superar a Typhoon OCR 7B en cinco conjuntos de evaluación, con limitaciones importantes en la escritura a mano y errores graves.
14 min de lecturaarXiv:2609.02486
Deja de alimentar a los LLMs de visión con diez páginas: Dentro de la recuperación adaptativa sin entrenamiento de ViSAR
La recuperación visual fija de los $k$ superiores puede ralentizar los LLMs de visión y degradar la precisión. ViSAR explota la geometría de vectores múltiples para reducir el tamaño del contexto y reducir la latencia hasta en un 58,7 %.
13 min de lecturaarXiv:2608.31107
El sesgo oculto del dispositivo de captura en un benchmark de OCR: lo que mide VeriCam entre dispositivos
Los estudios de VeriCam analizan el sesgo del dispositivo de captura en las imágenes de tráfico LPLCv2, utilizando verificación por pares y agrupamiento de grafos para agrupar clases de dispositivos de captura desconocidas.
14 min de lecturaarXiv:2608.28248
Diseños sintéticos, mejor OCR vertical japonés: dentro de Synth-JDoc
Synth-JDoc combina diseños programáticos de HTML/CSS, imágenes generadas y degradación de documentos para mejorar el OCR vertical japonés en cuatro de los cinco modelos de visión y lenguaje evaluados.
9 min de lecturaarXiv:2608.26921
Los manuscritos árabes no se leen de arriba a abajo, y ahora hay un conjunto de datos que lo admite
AraMS-28k es un conjunto de datos de 28.600 líneas de manuscritos históricos árabes reales que finalmente indica a los modelos de OCR dónde pertenecen realmente las notas marginales en el texto.
11 min de lecturaarXiv:2608.27169
Una IA leyó un sello de 2.000 años y acaba de inventar un poema
Un nuevo benchmark prueba OCR en 3.000 años de artefactos chinos. Incluso el mejor modelo acierta menos del 58% y alucina con total confianza.
9 min de lecturaarXiv:2608.20011
Cuando alinear un modelo de imágenes lo empeora en ortografía
Un nuevo artículo muestra por qué los modelos de flujo de ajuste de preferencia pueden destruir silenciosamente el texto generado, y lo soluciona con un método que aumenta la precisión de OCR en un 47,5%.
11 min de lecturaarXiv:2608.20122
El benchmark de OCR diseñado para hacer fallar a GPT-5
GPT-4o lee texto distorsionado, con marca de agua o mezclado con IA con un 23% de precisión. Un nuevo método de entrenamiento casi triplica esa cifra sin afectar el OCR normal.
10 min de lecturaarXiv:2608.12898
Por qué fotografiar un documento aún rompe la mayoría de los modelos de OCR
NaviDC-OCR procesa documentos escaneados y fotografiados con teléfonos en un solo modelo, abordando páginas deformadas, tablas y fórmulas que dificultan a los analizadores VLM existentes.
9 min de lecturaarXiv:2608.15698
Tu chatbot no puede encontrar el gráfico que tiene la respuesta. Este artículo intenta solucionarlo.
ConceptFormer enseña a los modelos de recuperación a encontrar evidencia en gráficos y diseños, no solo en texto, superando tanto a OCR como a las líneas base visuales por un margen de dos dígitos.
11 min de lecturaarXiv:2608.12911
El modelo de OCR que adivina tu cumpleaños cuando no puede leerlo
Un nuevo benchmark muestra que los modelos de IA para documentos no solo malinterpretan los campos borrosos de las identificaciones, sino que los completan con datos de entrenamiento memorizados, filtrando información de personas reales.
9 min de lecturaarXiv:2607.27558
La IA que lee planos como un ingeniero, no como un escáner
Drawing-Recode vincula el texto de cota en planos CAD escaneados con la geometría exacta que mide y luego genera código CAD 3D editable a partir del resultado.
10 min de lecturaarXiv:2607.27902
Un parche es suficiente: cómo un modelo de 2B parámetros supera a GPT-5.4 en la lectura de señales de tráfico
Un modelo de 2B parámetros superó a GPT-5.4, Claude y Gemini en la lectura de señales de calle al señalar exactamente un parche de imagen por palabra.
10 min de lecturaarXiv:2607.25390
El truco de un solo paso que podría hacer que los modelos de difusión sean realmente útiles para OCR
Un nuevo estudio muestra que una sola pasada de difusión determinista, ajustada correctamente, supera a la restauración multietapa más lenta en clasificación, detección y OCR.
9 min de lecturaarXiv:2607.24651
Deja de pedirle a la IA que dibuje cajas: una mejor manera de demostrar de dónde proviene una respuesta
Un nuevo estudio descubre que pedir a los modelos de visión y lenguaje que citen su evidencia en lugar de dibujar cajas delimitadoras duplica aproximadamente la frecuencia con la que citan la parte correcta de un documento.
9 min de lecturaarXiv:2607.22200
El modelo OCR está leyendo tus márgenes en blanco, y esa es la razón por la que es lento
Un nuevo artículo reduce los tokens visuales del OCR basado en VLM en un 50% enseñando al modelo a ignorar los márgenes en blanco, con casi ninguna pérdida de precisión.
10 min de lecturaarXiv:2607.15509
Tres modelos de IA entraron y diseñaron sus propias redes OCR desde cero
GPT-5, GPT-4o y Claude Sonnet 4 ejecutaron 270 experimentos diseñando sus propias redes de reconocimiento de escritura a mano, sin la intervención de ningún arquitecto humano.
9 min de lecturaarXiv:2607.17052
Omitir las capas de visión funciona, hasta que le pides que lea texto
Una búsqueda evolutiva encuentra rutas de visión más económicas para VLMs que superan la poda ingenua, pero los atajos adaptados a tareas pueden silenciosamente arruinar la precisión de OCR.
11 min de lecturaarXiv:2607.19315
Por qué las escaneos que parecen más ocupados en su conjunto de entrenamiento podrían estar perjudicando su modelo de OCR
Una nueva métrica sin etiquetas cuenta cuántas direcciones de características se activan en una imagen, y la poda mediante esta métrica ayuda a los modelos OCR al reducir los documentos más complejos.
8 min de lecturaarXiv:2607.20385
El persa tiene 110 millones de hablantes y casi ningún dato de OCR. Este artículo falsifica 343.000 páginas para solucionarlo
Un nuevo conjunto de datos simula 343.000 imágenes de documentos en persa para corregir el peor punto ciego del OCR: un sistema de escritura cuyas letras cambian de forma según sus vecinos.
10 min de lecturaarXiv:2607.18217
La IA de video que tiene que acertar con tu logotipo
Un nuevo artículo sobre generación de video alimenta la salida de OCR directamente en un modelo de difusión para que los logotipos de productos y el texto de las etiquetas dejen de convertirse en un borroso amasijo.
11 min de lecturaarXiv:2607.16060
¿Puede la IA dibujarte un gráfico bonito sin mentir sobre los datos?
Un nuevo benchmark muestra que los modelos de imágenes cometen errores rutinarios en gráficos artísticos, con alturas de barras incorrectas, etiquetas confusas y leyendas desajustadas, y prueba una solución que mantiene tanto el arte como las matemáticas fieles a la realidad.
12 min de lecturaarXiv:2607.09068
El benchmark de mapas que detecta a los modelos de IA fingiendo visión
OmniMapBench muestra que los mejores modelos de IA se quedan en un 75% en preguntas sobre mapas, exponiendo cuántos "benchmarks visuales" son en secreto resolubles solo con texto.
9 min de lecturaarXiv:2607.10400
Por qué los lectores de documentos de IA se atascan en medio de PDFs largos
Un nuevo benchmark sintético muestra que los principales modelos de visión y lenguaje empeoran notablemente al leer el medio de documentos largos, y la comprensión de gráficos también se desmorona.
10 min de lecturaarXiv:2607.13458
La razón oculta por la que el OCR falla con texto curvo e inclinado
Un nuevo truco de codificación posicional enseña a los transformadores de OCR a pensar en dos dimensiones, y las ganancias se producen exactamente donde cabría esperar: en texto curvo, rotado y distorsionado.
9 min de lecturaarXiv:2607.14041
El especialista en OCR que nunca se entrenó para el trabajo
Un nuevo artículo dirige manuscritos históricos manchu a especialistas en OCR según el estilo de escritura a mano, y el mejor experto para cada estilo a menudo no fue entrenado con él.
10 min de lecturaarXiv:2607.11192
El punto de referencia donde el mejor modelo de IA sigue fallando el 85% de las veces en un PDF
GDP.pdf pone a prueba la IA con PDFs profesionales reales, no con tareas de OCR de juguete. El mejor modelo aprobó el 15% de los elementos. Aquí está por qué esa brecha importa.
9 min de lecturaarXiv:2607.11562
Por qué un modelo que es bueno con fotos es malo leyendo tu factura
MonkeyOCRv2 entrena su codificador de visión en 113 millones de imágenes de documentos en lugar de usar uno diseñado para gatos y coches, y un pequeño modelo de 0.7B supera a un rival de 3B.
10 min de lecturaarXiv:2607.09488
El almuerzo gratuito escondido en tu codificador de visión: lo que SigLIP-HD hace bien
Un nuevo truco de entrenamiento hace que los codificadores de visión lean mejor el texto a la misma resolución y con el mismo costo de inferencia, sin necesidad de imágenes más grandes.
8 min de lecturaarXiv:2607.08014
Una fábrica que nunca comparte sus fotos, pero que aún así aprende a leer etiquetas
FedTR entrena modelos de OCR en fábricas que no pueden compartir datos, alcanzando un 95,5 % de precisión en palabras sin que una sola imagen salga del edificio.
9 min de lecturaarXiv:2403.04473
TextMonkey: Enseñando a un Vision-Language Model a señalar la línea que acaba de leer
TextMonkey omite el OCR por completo y lee los documentos como imágenes, respaldando luego cada respuesta con un bounding box que muestra dónde buscó.
10 min de lecturaarXiv:2502.18443
Tus PDFs valen billones de tokens. La mayoría de los pipelines de OCR los están desperdiciando.
olmOCR demuestra cómo un modelo de visión de 7B ajustado puede superar a GPT-4o en la lectura de PDFs, a una treintaicincoava parte del coste por página.
8 min de lecturaarXiv:2309.11419
KOSMOS-2.5 de Microsoft: Un modelo de OCR, dos tareas muy diferentes
KOSMOS-2.5 de Microsoft lee documentos de dos formas a la vez: OCR de bounding-box y reconstrucción completa en markdown, desde un único modelo de 1.3B parámetros.
9 min de lecturaarXiv:2109.10282
TrOCR: ¿Qué pasa cuando desechas todo el manual de estrategias de OCR?
TrOCR de Microsoft prescinde totalmente de las CNN y RNN, utilizando dos Transformers preentrenados para superar a los modelos de OCR state-of-the-art con un pipeline mucho más sencillo.
9 min de lecturaarXiv:2409.01704
GOT-OCR2.0: Un modelo de 580M de parámetros que lee texto, fórmulas, partituras y gráficos
GOT es un modelo end-to-end de 580M de parámetros que lee texto, matemáticas, tablas, partituras y diagramas químicos con un único sistema impulsado por prompts, sin necesidad de pipeline.
9 min de lecturaarXiv:2111.15664
Donut se salta el OCR por completo y aun así lee tus recibos
Donut lee documentos sin ejecutar OCR primero. Un vistazo a cómo omitir el reconocimiento de texto por completo superó a los pipelines de OCR en velocidad y precisión.
9 min de lecturaarXiv:2308.13418
Por qué la mejor herramienta de PDF a matemáticas antes de Nougat acertaba las ecuaciones menos del 10% de las veces
Nougat de Meta lee un documento escaneado y escribe directamente matemáticas en LaTeX, omitiendo por completo el OCR y las cajas delimitadoras. Así funciona y dónde aún falla.
10 min de lecturaarXiv:2412.02210
CC-OCR sometió a nueve de los mejores modelos de IA a 7.058 documentos reales, y la mayoría falló en lo básico
CC-OCR probó nueve modelos de IA multimodal líderes en documentos reales desordenados. Incluso GPT-4o y Gemini tuvieron dificultades con texto rotado, scripts extranjeros y bucles de repetición.