Modelos de IA abertos já conseguem ler textos em imagens tão bem quanto serviços pagos
Hugging Face mostra que ferramentas gratuitas de OCR baseadas em inteligência artificial rivalizaram com APIs comerciais em testes de precisão.
A Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados) publicou nesta semana um guia técnico mostrando que modelos de OCR (sigla em inglês para reconhecimento óptico de caracteres, a tecnologia que permite a um computador "ler" texto em imagens) de código aberto já conseguem resultados comparáveis aos de serviços comerciais como Google Cloud Vision e Amazon Textract. O trabalho testou seis modelos diferentes — entre eles o GOT (General OCR Theory, um modelo multimodal treinado especificamente para extrair texto de documentos) e o Pixtral (um modelo de visão da empresa francesa Mistral AI) — em tarefas como ler faturas, formulários e documentos digitalizados.
Segundo a análise, o GOT se destacou em precisão ao lidar com layouts complexos e tabelas, enquanto o Pixtral foi mais rápido em textos simples. Ambos rodam localmente (ou seja, no próprio computador ou servidor da empresa, sem precisar enviar dados para a nuvem) e podem ser ajustados para necessidades específicas — uma vantagem importante para quem trabalha com informações sensíveis ou quer evitar custos recorrentes de APIs (interfaces de programação que permitem acessar serviços de terceiros, geralmente cobrando por uso).
O guia detalha como montar um pipeline (uma sequência automatizada de etapas) de OCR usando bibliotecas Python como transformers e datasets, ambas mantidas pela própria Hugging Face. Ele também compara o desempenho dos modelos abertos com o de serviços pagos em métricas como taxa de erro de caracteres (CER, que mede quantos caracteres foram lidos errados) e taxa de erro de palavras (WER, que faz o mesmo para palavras inteiras). Em vários cenários, a diferença foi pequena o suficiente para tornar a opção gratuita competitiva.
Para quem trabalha com grandes volumes de documentos — escritórios de advocacia, empresas de contabilidade, startups de automação —, a possibilidade de rodar OCR localmente com modelos abertos pode significar economia e mais controle sobre os dados. O material está disponível no blog oficial da Hugging Face, com código-fonte e exemplos práticos para quem quiser reproduzir os testes ou adaptar as ferramentas para seus próprios casos de uso.
