¿Qué es Nemotron OCR v2?
Nemotron OCR v2 es un modelo de reconocimiento de texto de la línea NeMo Retriever de NVIDIA, publicado en Hugging Face en abril de 2026. Como la canalización clásica de PaddleOCR, no es un modelo de visión y lenguaje: un detector convolucional RegNetX-8GF encuentra las regiones de texto, un pequeño reconocedor Transformer las lee y un módulo relacional las agrupa en líneas y párrafos en orden de lectura. Devuelve cuadros, texto y puntuaciones de confianza.
Se distribuye en dos variantes. El modelo inglés tiene 53,8 millones de parámetros y trabaja a nivel de palabra; el multilingüe tiene 83,9 millones y lee líneas enteras en inglés, chino simplificado y tradicional, japonés, coreano y ruso con un único juego de 14.244 caracteres. El entrenamiento usó unas 680.000 imágenes reales más de 11 millones de páginas sintéticas, publicadas como dataset con CC BY 4.0.
Los pesos tienen la NVIDIA Open Model License, que permite el uso comercial. Necesita Linux y una GPU de NVIDIA, y el paquete compila una extensión de CUDA al instalarse.
¿Merece la pena Nemotron OCR v2?
Nemotron OCR v2 cambia precisión por rendimiento, y las propias cifras de NVIDIA muestran las dos caras. En una A100, el modelo multilingüe funciona a 34,7 páginas por segundo, frente a 1,2 de PaddleOCR v5 server y 1,5 de OpenOCR, lo que NVIDIA describe como más de 28 veces más rápido. En la misma prueba de recortes de OmniDocBench, su distancia de edición normalizada es de 0,048 en inglés, 0,072 en chino y 0,142 en texto mixto, donde PaddleOCR v5 obtiene 0,027, 0,037 y 0,041; cuanto más bajo, mejor, así que Paddle es claramente más preciso con documentos reales.
La mejora multilingüe es real, pero se mide en terreno de NVIDIA. En páginas sintéticas de SynthDoG supera a PaddleOCR en todos los idiomas, con el error en coreano bajando de 0,923 a 0,047 respecto a v1. Esas páginas de prueba salen de un generador parecido a la propia canalización de entrenamiento sintético de NVIDIA, cuyo código modificado aún no es público, así que toma esa ventaja como un límite superior.
Además hace menos por página que los analizadores VLM junto a los que se sitúa. No hay estructura de tablas, ni LaTeX, ni Markdown, solo cuadros, texto y orden de lectura, y las páginas giradas le cuestan: el error del modelo multilingüe con texto girado 270 grados es de 0,332. La variante inglesa no sirve para el chino, con 0,830.
El despliegue es el punto fuerte de NVIDIA. Se distribuye como contenedor NIM, como endpoint de prueba alojado y como ejemplo de Docker Compose, y la licencia permite el uso comercial sin límites de ingresos. Un equipo de recuperación que indexa millones de páginas, sobre todo en inglés, puede pasarlas por una sola GPU en horas en lugar de días; un equipo que necesite tablas o la mejor precisión de caracteres debería combinarlo con PP-OCRv6 o un analizador VLM, o sustituirlo por ellos.
Dónde se gana su sitio
Un ingeniero de plataforma que construye un índice RAG sobre 5 millones de PDF internos
Extraer el texto y el orden de lectura lo bastante rápido para reindexar cada semana
Ejecuta el modelo multilingüe en el contenedor NIM o en la canalización de Python sobre A100. Con las 34,7 páginas por segundo de NVIDIA, una GPU procesa unas 125.000 páginas por hora, así que 5 millones de páginas llevan unas 40 horas de GPU.
Una desarrolladora en un marketplace de comercio electrónico de Asia oriental
Leer fotos de producto y etiquetas en chino, japonés y coreano
Usa la variante multilingüe, que lee los cinco idiomas con un solo modelo y sin paso de detección de idioma, y conserva las puntuaciones de confianza para marcar imágenes de baja calidad; revisa las imágenes giradas, que son las que peor puntúan en la tabla de NVIDIA.
Antes de decidirte
- Puesta en marcha
- Clona el repositorio de Hugging Face con git-lfs, instala la versión de PyTorch que corresponda a tu CUDA toolkit y después pip install --no-build-isolation en Python 3.12; o ejecuta el ejemplo de Docker Compose con NVIDIA Container Toolkit.
- Integraciones
- API de Python nemotron_ocr con modos solo detector y sin módulo relacional; endpoint alojado en build.nvidia.com; contenedor NIM en NGC como parte de NeMo Retriever.
- Datos y privacidad
- NVIDIA Open Model License, uso comercial permitido; las ejecuciones autoalojadas mantienen las imágenes en local. La prueba alojada se rige por los NVIDIA API Trial Terms of Service.
- Coste a escala
- 34,7 páginas por segundo (multilingüe) o 40,7 (inglés) en una A100 con la canalización por lotes de NVIDIA; el modo solo detector usa alrededor de un 37% menos de memoria de GPU. La página del modelo no publica el precio de NIM en producción.
- Límites
- Solo Linux amd64 con GPU de NVIDIA Ampere o posteriores; exactamente Python 3.12; las imágenes enviadas en línea al servicio alojado deben tener menos de 180.000 caracteres en base64; las secuencias del reconocedor tienen un tope de 128 caracteres.
Lo bueno
- 34,7 páginas por segundo en una A100 con el modelo multilingüe
- 84M de parámetros con agrupación por orden de lectura y puntuaciones de confianza
- Uso comercial permitido con la NVIDIA Open Model License
- Conjunto de entrenamiento sintético de más de 11 millones de páginas publicado con CC BY 4.0
Lo malo
- Más error que PaddleOCR v5 en OmniDocBench en la propia tabla de NVIDIA
- Sin salida de tablas, fórmulas ni Markdown
- Solo Linux y GPU de NVIDIA; compila una extensión de CUDA al instalarse
- Las mejoras multilingües se miden sobre todo con páginas sintéticas de SynthDoG
Ideal para
Equipos de recuperación y RAG con hardware de NVIDIA que necesitan extraer deprisa texto plano de volúmenes de páginas muy grandes, con una licencia favorable al uso comercial.
Alternativas a Nemotron OCR v2
Nemotron OCR v2: preguntas frecuentes
- ¿Merece la pena Nemotron OCR v2?
- Nemotron OCR v2 es con diferencia el OCR abierto más rápido de este grupo, un orden de magnitud por delante, pero en el propio benchmark de documentos de NVIDIA lee con menos precisión que el PaddleOCR v5 al que supera en velocidad. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta Nemotron OCR v2?
- Gratuito con la NVIDIA Open Model License, uso comercial permitido. API de prueba en build.nvidia.com; la página del modelo no publica el precio del contenedor NIM.
- ¿Qué inconvenientes tiene Nemotron OCR v2?
- Más error que PaddleOCR v5 en OmniDocBench en la propia tabla de NVIDIA; sin salida de tablas, fórmulas ni Markdown; solo Linux y GPU de NVIDIA; compila una extensión de CUDA al instalarse; las mejoras multilingües se miden sobre todo con páginas sintéticas de SynthDoG.
- ¿Para quién es Nemotron OCR v2?
- Equipos de recuperación y RAG con hardware de NVIDIA que necesitan extraer deprisa texto plano de volúmenes de páginas muy grandes, con una licencia favorable al uso comercial.
- ¿Cuánto cuesta Nemotron OCR v2 para un equipo o en producción?
- 34,7 páginas por segundo (multilingüe) o 40,7 (inglés) en una A100 con la canalización por lotes de NVIDIA; el modo solo detector usa alrededor de un 37% menos de memoria de GPU. La página del modelo no publica el precio de NIM en producción.
- ¿Es Nemotron OCR v2 seguro para los datos de la empresa?
- NVIDIA Open Model License, uso comercial permitido; las ejecuciones autoalojadas mantienen las imágenes en local. La prueba alojada se rige por los NVIDIA API Trial Terms of Service.
- ¿Cuáles son las mejores alternativas a Nemotron OCR v2?
- Las alternativas más cercanas que hemos analizado son PP-OCRv6, PaddleOCR-VL-1.6, Surya OCR 2.5 y DeepSeek-OCR 2.
Respuestas comprobadas el 2 nov 2026.