¿Qué es Qianfan-OCR?
Qianfan-OCR es un modelo de documentos del equipo Qianfan de Baidu, publicado en marzo de 2026 con licencia Apache 2.0 y un informe técnico del 11 de marzo. Combina el codificador visual Qianfan-ViT de Baidu con un modelo de lenguaje Qwen3-4B, 4.740 millones de parámetros en total, y convierte la imagen de una página directamente en Markdown sin un modelo de maquetación aparte. Los mismos pesos se ocupan del reconocimiento de tablas y fórmulas, la extracción de información clave, las preguntas sobre gráficos y documentos, y el OCR en 192 idiomas.
Su rasgo distintivo es Layout-as-Thought. Con el razonamiento activado, el modelo escribe primero los cuadros delimitadores, los tipos de elemento de 25 categorías y el orden de lectura, y después el texto final, de modo que un solo modelo devuelve los datos de maquetación que los sistemas por canalización obtienen de un detector.
Es una línea distinta de PaddleOCR-VL y Unlimited-OCR de Baidu, que proceden de otros equipos de Baidu. En Hugging Face sumó 34.433 descargas en el último mes y 1.217 me gusta.
¿Merece la pena Qianfan-OCR?
Qianfan-OCR cambia precisión en el análisis de páginas por amplitud, y el intercambio se ve claro en las cifras independientes. La clasificación OmniDocBench v1.6 de OpenDataLab le da 93,90, por detrás de GLM-OCR con 95,22 y OvisOCR2 con 96,47, ambos con menos de un tercio de su tamaño. La cifra principal de Baidu, 93,12 y primer puesto entre los modelos de extremo a extremo, es en la versión anterior v1.5, donde su propia tabla también muestra por delante a PaddleOCR-VL 1.5, basado en canalización, con 94,50.
Donde lidera es en el trabajo que viene después del análisis. Baidu comunica una media de 87,9 en cinco benchmarks de extracción de información clave, frente a 84,2 de Qwen3-VL-235B-A22B y 79,2 de Gemini-3.1-Pro, y 85,2 en las preguntas de razonamiento de CharXiv, donde Qwen3-VL-4B obtiene 48,5. Obtiene 880 en OCRBench y cubre 192 idiomas, frente a 109 de PaddleOCR-VL-1.6 y ocho de GLM-OCR. Todas estas cifras son propias, aunque los modelos de comparación son de uso general y no están ajustados para documentos.
Layout-as-Thought es útil, no una mejora gratuita. Las propias cifras de Baidu muestran que el modo de razonamiento baja la puntuación total de OmniDocBench v1.5 de 93,12 a 92,64, y su recomendación es activarlo solo en páginas mixtas como exámenes y periódicos. Su valor es obtener cuadros y orden de lectura sin ejecutar un detector, no un texto mejor.
El tamaño es el coste principal. Con 4.740 millones de parámetros llega a 1,024 páginas por segundo en una A100 solo con cuantización W8A8, y a 0,503 con precisión completa, mientras que MinerU 2.5 alcanza 1,057 en la misma tabla. La sección de limitaciones de Baidu dice que su tamaño descarta los dispositivos edge y los servidores solo con CPU, y cita el vídeo, el texto curvo y la escritura a mano estilizada como puntos débiles.
Nuestra opinión: Qianfan-OCR se gana su sitio cuando la salida alimenta una decisión, como leer el total de una factura o la tendencia de un gráfico, más que un archivo. Los equipos que solo necesitan Markdown limpio obtienen más precisión por GPU con GLM-OCR o PaddleOCR-VL-1.6.
Dónde se gana su sitio
Un equipo de cuentas a pagar en una multinacional que recibe facturas en una docena de idiomas
Extraer de las facturas los campos de proveedor, total e impuestos sin un paso de OCR aparte
Pide al modelo los campos directamente a partir de la imagen de la página en un servidor vLLM. Baidu comunica 86,5 de F1 en Nanonets KIE; aquí la cobertura de 192 idiomas importa más que la puntuación en Markdown.
El equipo de datos de un analista de renta variable que procesa informes de brókeres
Leer valores y tendencias de gráficos que el OCR solo de texto desecha
Haz preguntas sobre los gráficos a partir de la imagen de la página. Baidu señala que los sistemas de OCR seguido de LLM obtienen 0,0 en CharXiv porque se pierde la estructura del gráfico; Qianfan-OCR comunica 94,0 en las preguntas descriptivas.
Un ingeniero de IA documental que sustituye una combinación de detector de maquetación y reconocedor
Obtener cuadros delimitadores, tipos de elemento y orden de lectura con un solo modelo
Activa el razonamiento en páginas mixtas como los exámenes para obtener primero la maquetación, y déjalo desactivado en documentos de una sola columna, donde Baidu dice que los resultados son mejores y más rápidos sin él.
Antes de decidirte
- Puesta en marcha
- Carga baidu/Qianfan-OCR con AutoModelForImageTextToText de Transformers en BF16, o ejecuta vllm serve con --trust-remote-code y una opción hf-overrides que lo asigna a la arquitectura InternVLChatModel.
- Integraciones
- Transformers y vLLM; versiones GGUF de la comunidad para llama.cpp y MLX para Apple silicon; la plataforma Qianfan de Baidu AI Cloud; una skill de agente en el repositorio de skills de Baidu.
- Datos y privacidad
- Apache 2.0, con algunos archivos fuente incluidos bajo MIT. Autoalojado, los documentos se quedan en tu hardware; la ficha del modelo no indica las condiciones de conservación de la plataforma Qianfan.
- Coste a escala
- El checkpoint en BF16 ocupa unos 9,5 GB. Baidu comunica 1,024 páginas por segundo con W8A8 y 0,503 con W16A16 en una A100, unas 3.700 y 1.800 páginas por hora por tarjeta.
- Límites
- Entrada visual de hasta 4.096 tokens por imagen en teselas de 448 píxeles; contexto de 32K por defecto. Layout-as-Thought solo está validado en el análisis de OmniDocBench v1.5, no en la extracción ni en las preguntas; demasiado grande para dispositivos edge o servidores solo con CPU.
Lo bueno
- Media de 87,9 en cinco benchmarks de extracción de información clave (cifras propias)
- Preguntas sobre gráficos y documentos en el mismo modelo
- Salida de maquetación opcional con 25 tipos de elemento, sin detector aparte
- OCR en 192 idiomas; Apache 2.0
Lo malo
- 93,90 en OmniDocBench v1.6, por detrás de analizadores mucho más pequeños
- 4,74B parámetros; alrededor de 1 página por segundo en una A100 solo cuantizado
- El modo de razonamiento baja la puntuación global de análisis
- vLLM necesita forzar la arquitectura; precio alojado no publicado
Ideal para
Equipos que necesitan extracción de campos, lectura de gráficos y OCR multilingüe con un solo modelo autoalojado y pueden dedicarle una GPU de centro de datos.
Alternativas a Qianfan-OCR
Qianfan-OCR: preguntas frecuentes
- ¿Merece la pena Qianfan-OCR?
- Qianfan-OCR es el modelo que elegir cuando una página hay que leerla y entenderla en una sola llamada; para la simple conversión a Markdown, los analizadores más pequeños son más precisos. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta Qianfan-OCR?
- Gratuito con licencia Apache 2.0. También se ofrece en la plataforma Qianfan de Baidu AI Cloud; la ficha del modelo no indica el precio alojado.
- ¿Qué inconvenientes tiene Qianfan-OCR?
- 93,90 en OmniDocBench v1.6, por detrás de analizadores mucho más pequeños; 4,74B parámetros; alrededor de 1 página por segundo en una A100 solo cuantizado; el modo de razonamiento baja la puntuación global de análisis; vLLM necesita forzar la arquitectura; precio alojado no publicado.
- ¿Para quién es Qianfan-OCR?
- Equipos que necesitan extracción de campos, lectura de gráficos y OCR multilingüe con un solo modelo autoalojado y pueden dedicarle una GPU de centro de datos.
- ¿Cuánto cuesta Qianfan-OCR para un equipo o en producción?
- El checkpoint en BF16 ocupa unos 9,5 GB. Baidu comunica 1,024 páginas por segundo con W8A8 y 0,503 con W16A16 en una A100, unas 3.700 y 1.800 páginas por hora por tarjeta.
- ¿Es Qianfan-OCR seguro para los datos de la empresa?
- Apache 2.0, con algunos archivos fuente incluidos bajo MIT. Autoalojado, los documentos se quedan en tu hardware; la ficha del modelo no indica las condiciones de conservación de la plataforma Qianfan.
- ¿Cuáles son las mejores alternativas a Qianfan-OCR?
- Las alternativas más cercanas que hemos analizado son GLM-OCR, PaddleOCR-VL-1.6, Unlimited-OCR 2 y Infinity-Parser2-Flash.
Respuestas comprobadas el 2 nov 2026.
¿Desarrollas Qianfan-OCR? Muestra esta nota en tu web
