La integración de modelos de visión-lenguaje (VLM) ha transformado la inteligencia artificial en documentos, permitiendo no solo la transcripción de texto, sino también la recuperación de documentos por consulta y la respuesta a preguntas complejas. Este artículo técnico, publicado por Hugging Face, ofrece una guía práctica para seleccionar los modelos de Reconocimiento Óptico de Caracteres (OCR) de código abierto más adecuados para casos de uso específicos. El texto analiza las capacidades actuales de los modelos, destacando la importancia de la eficiencia de costes y la privacidad que ofrecen las versiones de pesos abiertos frente a las cerradas.
La guía detalla las diferencias funcionales entre los modelos, como la capacidad para manejar texto manuscrito, scripts diversos (latín, árabe, japonés), expresiones matemáticas y fórmulas químicas. Además, explica cómo los modelos modernos integran metadatos de diseño (layout metadata) y coordenadas de anclaje (grounding) para preservar el orden de lectura y reducir alucinaciones, un avance crucial frente a los modelos antiguos que dependían de post-procesamiento manual. Se comparan formatos de salida comunes, como DocTags, HTML, Markdown y JSON, y se recomienda su elección según el objetivo final: reconstrucción digital, entrada a modelos de lenguaje grandes (LLM) o uso programático.
El artículo incluye una tabla comparativa de modelos recientes como OlmOCR-2, Chandra y PaddleOCR-VL, evaluados en el benchmark OlmOCR. Se destaca que muchos de estos modelos son refinamientos de arquitecturas como Qwen2.5-VL o Qwen3-VL, lo que permite a los desarrolladores elegir entre opciones con diferentes tamaños de modelo y licencias. La guía sirve como referencia para ingenieros que buscan optimizar sus pipelines de OCR, proporcionando criterios claros para decidir cuándo ajustar un modelo versus usarlo sin modificaciones, y cómo aprovechar las capacidades multimodales para tareas avanzadas de análisis de documentos.