Carregando...
Blog
Explicações claras sobre as pesquisas que estão moldando o OCR e a IA para documentos.
16 min de leituraarXiv:2610.11148
SP-DocReader: Reduzindo pela metade a taxa de erro de OCR no Vary-600K com self-play sensível a diferenças
No Qwen3-VL-4B, o SP-DocReader reduz a taxa de erro de caracteres no Vary-600K em cerca de 54% em relação ao fine-tuning supervisionado de duas épocas, treinando um módulo de OCR com o backbone congelado.
23 min de leituraarXiv:2610.11818
Modelos Pequenos, Dados Estruturados: VLMs Leves Podem Substituir APIs em Nuvem na Extração de Documentos Complexos?
Modelos de visão de 4B–7B conseguem extrair JSON estruturado de arquivos complexos em GPUs locais? Um novo estudo da FAU Erlangen avalia 8 VLMs de pesos abertos em coleções universitárias.
11 min de leitura
Enviamos uma Página em Branco para 184 Motores de OCR. Alguns Deles Leram Mesmo Assim.
Ao apresentar uma imagem branca vazia de 800 por 1.000 pixels a modelos de visão modernos, os motores de OCR clássicos retornam silêncio. Já os modelos mais novos compõem cartas sobre OVNIs, processos judiciais vitorianos e anúncios de saúde intestinal.
19 min de leituraarXiv:2610.07091
Pare de Enviar Todas as Páginas para um Modelo de Visão: Lições de Pesquisadores do Citigroup, EY e NVIDIA
Um preprint sobre ingestão relata que 92% das páginas em um corpus interno dispensaram OCR em nível de página, explica o chunking sensível à estrutura e mede para onde vai o tempo de extração.
6 min de leitura
OpenOCR agora detecta resultados vazios do Gemini 3.1 Flash-Lite e de qualquer motor subsequente
O Gemini 3.1 Flash-Lite do Google às vezes não retorna nenhum texto para uma página perfeitamente legível, mesmo reportando sucesso. O OpenOCR agora detecta isso em todos os motores, informa o motivo, preserva o restante do seu PDF e nunca cobra mais do que o provedor cobrou.
16 min de leituraarXiv:2610.02880
Encontrado, mas não lido: por que modelos de visão e linguagem ainda se beneficiam de OCR
A adição de texto via OCR em CPU aumentou a acurácia de QA em documentos de 13 a 16 pontos percentuais no FoveDoc-Bench, revelando uma lacuna entre recuperar a evidência e usá-la.
13 min de leitura
Apresentando o OpenOCR Stratify
Estamos projetando o Stratify para dividir documentos complexos em partes legíveis, escolher as ferramentas certas para cada parte e manter cada resultado conectado à sua fonte.
17 min de leituraarXiv:2610.01191
Segmentação de Bangla manuscrito sem deep learning: uma análise aprofundada de processamento de imagens
Como pesquisadores da KUET utilizaram processamento adaptativo de imagens e contagem iterativa de contornos para segmentar palavras manuscritas em Bangla em papéis coloridos e sob sombras.
21 min de leituraarXiv:2609.40356
A Edição de Texto em Cena de Vídeo Ainda Falha: Como o ViTeX-Bench Expõe os Trade-Offs
O ViTeX-Bench avalia a substituição precisa de texto em vídeos reais. Seus resultados expõem os trade-offs entre caracteres corretos, movimento estável e preservação da cena.
17 min de leituraarXiv:2609.28757
Treinar um modelo de visão de 500M para navegação mais que dobrou sua pontuação no OCR-Bench
Pesquisadores realizaram o pós-treinamento de um modelo de visão e linguagem de 500M para assistência a pessoas cegas ou com baixa visão, aumentando sua pontuação ANLS no OCR-Bench em 101,5% e sugerindo que o grounding espacial pode se transferir para o raciocínio visual-textual.
14 min de leituraarXiv:2609.29240
Rompendo o Ciclo de Alucinação: Como o TOLA Reduz a Super-Resolução de Texto por Difusão para um Único Passo
A difusão pode aumentar a nitidez de textos borrados, mas um prior de texto incorreto pode reforçar o caractere errado durante a restauração iterativa. O TOLA utiliza uma única predição de imagem, reduzindo o tempo medido de inferência de 9.95s para 132ms.
11 min de leituraarXiv:2608.13783
O ImageNet vem avaliando modelos com um gabarito incorreto há 14 anos
Uma nova reanotação do ImageNet-1k revelou que 12% de seus rótulos estão errados e um terço das imagens possui múltiplos rótulos; corrigir isso altera a acurácia em até 6 pontos.
12 min de leituraarXiv:2608.18957
Por dentro do pipeline de 22,6 milhões de imagens criado por Harvard para encontrar as ilustrações que o OCR ignora
O novo pipeline de Harvard extraiu 22,6 milhões de ilustrações de um milhão de livros digitalizados, usando modelos minúsculos em vez de VLMs caros.
10 min de leituraarXiv:2608.18696
Um pipeline de OCR tradicional acabou de superar Gemini, GPT e Claude na leitura de sânscrito
Um pipeline CRAFT+GNN+CTC com fine-tuning lê manuscritos históricos em sânscrito com maior precisão do que Gemini, GPT e Claude, após a correção de apenas três páginas.
10 min de leituraarXiv:2608.22366
Alimentar um Corretor de IA com Palpites Ruins de OCR: Quando Ajuda e Quando Arruína a Página
Um novo estudo sobre manuscritos em árabe revela que "deixar a IA corrigir o OCR" só funciona quando o palpite do OCR é próximo o suficiente para merecer confiança.
9 min de leituraarXiv:2608.22346
O dataset de provas que avalia por rubricas, e não por "feeling"
Um novo dataset reúne 485 respostas de provas digitalizadas e as rubricas reais usadas em sua correção, critério por critério, e não apenas uma nota final.
10 min de leituraarXiv:2608.26091
Lendo plantas rodoviárias sem perder o desenho: uma análise do PlanSightRAG
Um novo sistema RAG dispensa totalmente o OCR e raciocina diretamente sobre as imagens das plantas, alcançando 91% de acurácia de recuperação em desenhos de DOTs.
15 min de leituraarXiv:2609.03445
O Compilador no Loop: Como o DocEDR da Tencent Usa Renderização para Verificar e Reparar OCR
O DocEDR da Tencent usa predições renderizadas para diagnosticar e reparar OCR, elevando o Case-F1 de diagnóstico de fórmulas em 30.99 pontos em relação ao DOCR-Inspector-7B.
19 min de leituraarXiv:2609.03595
Até onde os dados sintéticos podem levar o OCR tailandês? Dentro da receita que atingiu 1,24% de CER mediano
A reconstrução controlada de documentos sintéticos ajudou um modelo OCR tailandês de 0,9B a superar o Typhoon OCR 7B em cinco conjuntos de avaliação, com limitações importantes em manuscritos e erros graves.
14 min de leituraarXiv:2609.02486
Pare de alimentar LLMs de visão com dez páginas: Dentro da recuperação adaptativa sem treinamento do ViSAR
A recuperação visual de top-$k$ fixa pode retardar os LLMs de visão e degradar a precisão. O ViSAR explora a geometria de vetores múltiplos para reduzir o tamanho do contexto e cortar a latência em até 58,7%.
13 min de leituraarXiv:2608.31107
O viés oculto do dispositivo de captura em um benchmark de OCR: o que o VeriCam mede entre dispositivos
O VeriCam estuda o viés do dispositivo de captura em imagens de tráfego do LPLCv2, utilizando verificação pareada e agrupamento em grafos para agrupar classes desconhecidas de dispositivos de captura.
14 min de leituraarXiv:2608.28248
Layouts Sintéticos, Melhor OCR Vertical para Japonês: Dentro do Synth-JDoc
Synth-JDoc combina layouts programáticos de HTML/CSS, imagens geradas e degradação de documentos para melhorar o OCR vertical japonês em quatro dos cinco modelos de visão-linguagem avaliados.
9 min de leituraarXiv:2608.26921
Manuscritos árabes não são lidos de cima para baixo, e agora há um conjunto de dados que admite isso
AraMS-28k é um conjunto de dados de 28.600 linhas de manuscritos históricos árabes reais que finalmente indica aos modelos de OCR onde as notas marginais realmente pertencem no texto.
11 min de leituraarXiv:2608.27169
Uma IA leu um selo de 2.000 anos e acabou compondo um poema
Um novo benchmark testa OCR em artefatos chineses de 3.000 anos. Mesmo o melhor modelo acerta menos de 58% e alucina com total confiança.
9 min de leituraarXiv:2608.20011
Quando alinhar um modelo de imagem o torna pior em ortografia
Um novo artigo mostra por que modelos de fluxo ajustados por preferência podem silenciosamente estragar o texto gerado, e corrige isso com um método que aumenta a precisão do OCR em 47,5%.
11 min de leituraarXiv:2608.20122
O benchmark de OCR construído para fazer o GPT-5 falhar
O GPT-4o lê texto distorcido, com marca d'água ou misturado por IA com 23% de precisão. Um novo método de treinamento quase triplica esse valor, sem comprometer o OCR normal.
9 min de leituraarXiv:2608.12898
Por que fotografar um documento ainda quebra a maioria dos modelos de OCR
O NaviDC-OCR lida com documentos digitalizados e fotografados por celular em um único modelo, resolvendo páginas distorcidas, tabelas e fórmulas que dificultam os parsers existentes baseados em VLM.
9 min de leituraarXiv:2608.15698
O seu chatbot não consegue encontrar o gráfico que tem a resposta. Este artigo tenta resolver isso.
O ConceptFormer ensina modelos de recuperação a encontrar evidências em gráficos e layouts, não apenas em texto, superando as linhas de base de OCR e visuais por duas casas decimais.
11 min de leituraarXiv:2608.12911
O modelo de OCR que adivinha seu aniversário quando não consegue ler
Um novo benchmark mostra que modelos de IA para documentos não apenas leem erroneamente campos de identificação borrados, mas os preenchem com dados de treinamento memorizados, vazando informações de pessoas reais.
9 min de leituraarXiv:2607.27558
A IA que lê plantas como um engenheiro, não como um scanner
O Drawing-Recode vincula o texto de cotação em desenhos CAD digitalizados à geometria exata que mede e, em seguida, gera código CAD 3D editável a partir do resultado.
10 min de leituraarXiv:2607.27902
Um Patch é Suficiente: Como um Modelo de 2B Parâmetros Supera o GPT-5.4 na Leitura de Placas de Rua
Um modelo de 2B parâmetros superou o GPT-5.4, Claude e Gemini na leitura de placas de rua, apontando para exatamente um patch de imagem por palavra.
10 min de leituraarXiv:2607.25390
O truque de um passo que pode tornar os modelos de difusão realmente úteis para OCR
Um novo artigo mostra que uma única passagem de difusão determinística, ajustada corretamente, supera a restauração mais lenta em múltiplas etapas em classificação, detecção e OCR.
9 min de leituraarXiv:2607.24651
Pare de pedir à IA para desenhar caixas: uma maneira melhor de provar de onde veio uma resposta
Um novo estudo descobre que pedir aos modelos de visão-linguagem que citem suas evidências em vez de desenhar caixas delimitadoras praticamente dobra a frequência com que eles citam a parte correta de um documento.
9 min de leituraarXiv:2607.22200
O Modelo de OCR Está Lendo Suas Margens em Branco, e É Por Isso Que Ele Está Lento
Um novo artigo reduz em 50% os tokens visuais do OCR baseado em VLM ao ensinar o modelo a ignorar margens em branco, com quase nenhuma perda de precisão.
10 min de leituraarXiv:2607.15509
Três modelos de IA entraram e projetaram suas próprias redes de OCR do zero
GPT-5, GPT-4o e Claude Sonnet 4 executaram 270 experimentos projetando suas próprias redes de reconhecimento de escrita à mão, sem a participação de nenhum arquiteto humano.
9 min de leituraarXiv:2607.17052
Pular camadas de visão funciona, até que você peça para ler texto
Uma busca evolutiva encontra rotas de visão mais baratas para VLMs que superam a poda ingênua, mas atalhos personalizados para tarefas podem silenciosamente arruinar a precisão do OCR.
11 min de leituraarXiv:2607.19315
Por que as digitalizações que parecem mais ocupadas no seu conjunto de treinamento podem estar prejudicando seu modelo de OCR
Uma nova métrica sem rótulos conta quantas direções de características uma imagem ativa, e a poda por ela ajuda os modelos de OCR ao reduzir os documentos mais ocupados.
8 min de leituraarXiv:2607.20385
O persa tem 110 milhões de falantes e quase nenhum dado de OCR. Este artigo falsifica 343.000 páginas para corrigir isso
Um novo conjunto de dados falsifica 343.000 imagens de documentos em persa para corrigir o pior ponto cego do OCR: um script cujas letras mudam de forma dependendo dos vizinhos.
10 min de leituraarXiv:2607.18217
A IA de Vídeo que Tem que Acertar o Seu Logotipo
Um novo artigo sobre geração de vídeo alimenta a saída do OCR diretamente em um modelo de difusão para que logotipos de produtos e textos de rótulos parem de se transformar em uma massa indistinta.
10 min de leituraarXiv:2607.16060
A IA pode desenhar um gráfico bonito para você sem mentir sobre os dados?
Um novo benchmark mostra que modelos de imagem frequentemente erram gráficos artísticos, com alturas de barras incorretas, rótulos ilegíveis e legendas desalinhadas, e testa uma correção que mantém tanto a arte quanto a matemática precisas.
11 min de leituraarXiv:2607.09068
O benchmark de mapas que pega modelos de IA fingindo visão
OmniMapBench mostra que os principais modelos de IA atingem no máximo 75% nas questões de mapas, expondo como muitos benchmarks "visuais" são secretamente resolúveis apenas por texto.
9 min de leituraarXiv:2607.10400
Por que os leitores de documentos de IA travam no meio de PDFs longos
Um novo benchmark sintético mostra que os principais modelos de visão-linguagem ficam mensuravelmente piores na leitura do meio de documentos longos, e a compreensão de gráficos também se desmorona.
9 min de leituraarXiv:2607.13458
O motivo oculto pelo qual o OCR tem dificuldades com texto curvo e inclinado
Um novo truque de codificação posicional ensina transformers de OCR a pensar em duas dimensões, e os ganhos aparecem exatamente onde se esperava: texto curvo, rotacionado e distorcido.
8 min de leituraarXiv:2607.14041
O especialista em OCR que nunca se treinou para o trabalho
Um novo artigo encaminha manuscritos históricos manchu para especialistas em OCR com base no estilo de caligrafia, e o melhor especialista para cada estilo frequentemente não foi treinado nele.
10 min de leituraarXiv:2607.11192
O benchmark onde o melhor modelo de IA ainda falha 85% das vezes em um PDF
O GDP.pdf testa IA em PDFs profissionais reais, não em tarefas de OCR simples. O melhor modelo passou em 15% dos itens. Eis por que essa lacuna importa.
9 min de leituraarXiv:2607.11562
Por que um modelo excelente em fotos é ruim para ler sua fatura
O MonkeyOCRv2 treina seu codificador de visão em 113 milhões de imagens de documentos, em vez de usar um criado para gatos e carros, e um modelo minúsculo de 0,7B supera um rival de 3B.
10 min de leituraarXiv:2607.09488
O almoço grátis escondido no seu codificador de visão: O que o SigLIP-HD acerta
Um novo truque de treinamento faz com que codificadores de visão leiam texto melhor na mesma resolução e com o mesmo custo de inferência, sem a necessidade de imagens maiores.
7 min de leituraarXiv:2607.08014
Uma fábrica que nunca compartilha suas fotos, mas ainda assim aprende a ler rótulos
O FedTR treina modelos de OCR em fábricas que não podem compartilhar dados, atingindo 95,5% de precisão de palavras sem que uma única imagem saia do local.
8 min de leituraarXiv:2309.11419
KOSMOS-2.5 da Microsoft: Um Modelo de OCR, Dois Trabalhos Muito Diferentes
O KOSMOS-2.5 da Microsoft lê documentos de duas formas simultaneamente: OCR de bounding-box e reconstrução completa em markdown, a partir de um único modelo de 1.3B de parâmetros.
9 min de leituraarXiv:2403.04473
TextMonkey: Ensinando um Modelo de Visão-Linguagem a Apontar para a Linha que Acabou de Ler
O TextMonkey ignora completamente o OCR e lê documentos como imagens, apoiando cada resposta com uma caixa delimitadora que mostra onde ele olhou.
10 min de leituraarXiv:2502.18443
Seus PDFs valem trilhões de tokens. A maioria dos pipelines de OCR está jogando-os fora.
O olmOCR mostra como um modelo de visão de 7B fine-tuned pode superar o GPT-4o na leitura de PDFs, com 1/35 do custo por página.
9 min de leituraarXiv:2109.10282
TrOCR: O que acontece quando você descarta todo o manual do OCR
O TrOCR da Microsoft descarta completamente CNNs e RNNs, utilizando dois Transformers pré-treinados para superar modelos de OCR state-of-the-art com um pipeline muito mais simples.
9 min de leituraarXiv:2111.15664
Donut pula o OCR completamente e ainda assim lê seus recibos
O Donut lê documentos sem executar OCR primeiro. Uma análise de como pular totalmente o reconhecimento de texto superou os pipelines de OCR em velocidade e precisão.
8 min de leituraarXiv:2409.01704
GOT-OCR2.0: Um Modelo de 580M de Parâmetros Que Lê Texto, Fórmulas, Partituras e Gráficos
GOT é um modelo end-to-end de 580M de parâmetros que lê texto, matemática, tabelas, partituras musicais e diagramas químicos com um único sistema orientado por prompts, sem a necessidade de pipeline.
9 min de leituraarXiv:2308.13418
Por que a melhor ferramenta de PDF para matemática antes do Nougat acertava equações em menos de 10% das vezes
O Nougat da Meta lê um artigo escaneado e gera matemática em LaTeX diretamente, ignorando completamente o OCR e as caixas delimitadoras. Veja como funciona e onde ainda falha.
9 min de leituraarXiv:2412.02210
CC-OCR submeteu nove principais modelos de IA a 7.058 documentos reais, e a maioria falhou nos fundamentos
O CC-OCR testou nove principais modelos de IA multimodal em documentos reais desordenados. Até o GPT-4o e o Gemini tiveram dificuldades com texto rotacionado, scripts estrangeiros e loops de repetição.