OCR Moderno: Quando a IA Lê Documentos

OCR é a sigla de optical character recognition — reconhecimento óptico de caracteres. Na forma clássica, é a tecnologia que converte a foto de um texto em texto editável. Funciona há décadas para páginas limpas e fontes regulares. O que mudou, e muito, foi a ambição: o OCR moderno não quer só ler as letras, quer entender o documento — e, no caminho, redescobriu o problema por um ângulo inesperado.

Como o OCR clássico funcionava

O OCR tradicional — pense no Tesseract, o motor aberto que rodou meio mundo de digitalizações — é um pipeline em etapas rígidas. Primeiro detecta onde há texto na página, depois recorta cada linha, depois reconhece os caracteres de cada recorte, por fim remonta tudo em ordem. Cada etapa é um modelo ou heurística separada, e o erro de uma contamina as seguintes.

Para um parágrafo corrido numa página limpa, funciona muito bem e é rápido e barato. O problema aparece no documento real: a tabela com células mescladas, a nota fiscal com campos espalhados, o formulário de duas colunas, a fórmula matemática, a assinatura no canto. Reconhecer os caracteres certos na ordem errada produz texto inútil — e a ordem é justamente o que o pipeline clássico não entende.

A virada: um único modelo que lê e estrutura

A guinada recente foi colapsar aquele pipeline num só modelo — um modelo de visão-linguagem (VLM), o mesmo tipo de arquitetura do mundo multimodal. Em vez de "detectar caixas → reconhecer letras → remontar", o modelo olha a página inteira e produz diretamente o texto estruturado: Markdown com títulos e listas, HTML com tabelas, ou JSON com campos. A compreensão do layout deixa de ser uma etapa de remontagem e passa a ser parte da própria leitura.

É a diferença entre transcrever e interpretar. Para entender como esse modelo enxerga a página — picando-a em pedaços e convertendo cada um em tokens —, vale o guia sobre tokens visuais. Aqui interessa a consequência: o documento sai pronto para alimentar outro sistema, não como um bloco de texto solto.

O insight contraintuitivo: imagem como compressão de texto

O avanço mais provocador veio do DeepSeek-OCR, no fim de 2025, com uma pergunta heterodoxa: e se a forma mais eficiente de um modelo guardar muito texto fosse como imagem? A ideia, batizada de compressão óptica de contexto, é renderizar o texto numa imagem e deixar o modelo lê-lo de volta — porque alguns poucos tokens visuais conseguem carregar o conteúdo de muitos tokens de texto.

Os números deram corpo à provocação. Comprimindo a uma taxa abaixo de 10× (dez tokens de texto "cabendo" em um token visual), o sistema reconstrói o texto com cerca de 97% de precisão. Mesmo a 20×, mantém cerca de 60%. E o modelo de compressão — um codificador de ~380M de parâmetros (um SAM de 80M em série com um CLIP de 300M) acoplado a um decodificador MoE de 3B com só 570M ativos — superou motores anteriores gastando uma fração dos tokens: bateu o GOT-OCR2.0 usando 100 tokens visuais por página e o MinerU2.0 com menos de 800, onde este consumia mais de 6.000.

O recado vai além do OCR: trata a leitura óptica como uma rota de contexto longo barato. Em vez de empilhar tokens de texto, empilha-se "fotos" de texto. É pesquisa inicial, não veredito — mas reposicionou o OCR de tarefa utilitária a peça de arquitetura.

O problema do documento longo

Ler uma página é uma coisa; ler um contrato de 200 páginas sem perder o fio é outra. O gargalo é o KV cache — a memória que o modelo mantém de tudo o que já leu e que cresce com o tamanho do documento, até estourar. É exatamente o que o trabalho Unlimited OCR e o modelo aberto Unlimited-OCR da Baidu (3B, licença MIT) atacam, com uma atenção em janela deslizante por referência que mantém o custo de memória constante ao longo de sequências longas — em vez de deixá-lo inchar página após página.

A ideia é a mesma que aparece nos LLMs de contexto longo: não dá para olhar tudo de uma vez sem pagar o preço quadrático da atenção; a saída é olhar uma janela móvel com âncoras para o que importa. Aplicada a documentos, é o que separa o "lê uma foto" do "lê um arquivo inteiro".

Não basta ler: é preciso extrair o que importa

Boa parte do uso real não quer o documento inteiro — quer cinco campos dele. Daí a linha de modelos de extração guiada por schema, como o lift, da Datalab (9B, sobre o Qwen 3.5). Você fornece um esquema JSON — quais campos quer, de que tipo — e o modelo devolve exatamente aquilo, com decodificação restrita ao schema: a saída é garantidamente um JSON válido, com null nos campos ausentes, mesmo que os dados estejam espalhados por várias páginas.

Os números mostram onde o campo está — e onde ainda não chegou. O lift relata 90,2% de acerto no nível de campo, contra 81,5% de um concorrente aberto. Mas a precisão de documento inteiro (todos os campos certos de uma vez) fica em 20,9%. A distância entre os dois números é a própria medida da dificuldade: acertar quase todo campo ainda deixa quase todo documento com algum erro.

Como se mede o progresso

A régua que virou padrão é o OmniDocBench (apresentado no CVPR 2025), que avalia parsing de documentos em várias frentes — texto corrido, tabelas, fórmulas e ordem de leitura — em vez de uma métrica só. É nele que os anúncios de 2026 se comparam, e o ritmo impressiona.

O caso mais simbólico é o GLM-OCR, da Zhipu/Z.ai: com apenas 0,9 bilhão de parâmetros, marcou 94,62 no OmniDocBench v1.5 — à frente de gigantes fechados como Gemini 3 Pro e GPT-5.2 em parsing de documento. O PaddleOCR-VL-1.6 aparece ainda acima, na casa de 96,3. A leitura honesta: nessa tarefa específica e bem delimitada, modelos abertos e minúsculos alcançaram — e por vezes superaram — os generalistas de bilhões de parâmetros. A ressalva de praxe também vale: muitos placares são autorreportados, e benchmark de vitrine raramente captura o documento bagunçado do mundo real.

O que ainda erra

A honestidade de sempre: esses modelos alucinam. Um VLM que lê um número borrado tende a "inventar" o dígito mais plausível em vez de admitir a dúvida — e um erro num valor financeiro ou numa dosagem não é detalhe. Manuscritos, tabelas densas, carimbos, documentos tortos ou de baixa resolução seguem difíceis. E aqueles 20,9% de acerto por documento inteiro são um lembrete sóbrio: para uso crítico, a regra é a mesma da geração de texto — ótimo para acelerar, arriscado sem revisão humana.

Rodar local e onde isso muda o jogo

A boa notícia é que quase tudo aqui é aberto e pequeno. DeepSeek-OCR, Unlimited-OCR (MIT) e GLM-OCR (sub-1B) rodam em GPUs modestas; o lift é gratuito para pesquisa e startups, com código Apache 2.0. Isso põe OCR de ponta ao alcance de quem não tem orçamento de nuvem.

E o alcance é largo: digitalização de arquivos, automação de contas a pagar, extração de cláusulas de contratos, leitura de exames, alimentação de bases para RAG. Qualquer fluxo que comece com "alguém digita o que está no papel" é candidato. O OCR moderno é a ponte entre o mundo em papel e o mundo em banco de dados — e, na sua encarnação mais ambiciosa, uma pista de que a fronteira entre "ver" e "ler" talvez seja menos nítida do que parecia.

Perguntas Frequentes

OCR moderno é melhor que o tradicional em tudo?

Não em tudo. Para texto limpo e corrido, motores clássicos como o Tesseract são rápidos, baratos e confiáveis. A vantagem do OCR moderno aparece em documentos complexos — tabelas, fórmulas, formulários, layouts variados — onde entender a estrutura importa tanto quanto ler as letras.

O que é "compressão óptica de contexto"?

É a ideia, explorada pelo DeepSeek-OCR, de renderizar texto como imagem e deixar o modelo lê-lo de volta, porque poucos tokens visuais carregam o conteúdo de muitos tokens de texto. A menos de 10× de compressão, a reconstrução fica em torno de 97% de precisão — uma rota possível para dar contexto longo e barato a um modelo.

Por que ele às vezes inventa números?

Porque os modelos de visão-linguagem otimizam por plausibilidade. Diante de um caractere ambíguo, tendem a produzir o mais provável em vez de sinalizar incerteza. Por isso a revisão humana segue essencial em dados críticos, como valores financeiros e dosagens.

O que é extração guiada por schema?

É pedir ao modelo um JSON com campos específicos, em vez do documento inteiro. Modelos como o lift usam decodificação restrita ao schema para garantir uma saída válida, preenchendo só os campos pedidos — útil para automatizar a leitura de notas, contratos e formulários.

Dá para rodar OCR moderno localmente?

Sim, e com folga. Vários modelos de ponta são abertos e pequenos — GLM-OCR tem menos de 1B de parâmetros, Unlimited-OCR é MIT, DeepSeek-OCR é leve. Muitos rodam numa GPU modesta; a qualidade varia com o tamanho do modelo e o tipo de documento.