Etapa 02 de 22
Parsing e OCR
Transformar PDFs, digitalizações, slides e planilhas em texto estruturado. Tabelas, títulos e ordem de leitura são onde a maior parte da qualidade da recuperação se ganha ou se perde. Um parsing ruim não tem conserto depois.
Por Sheela · Verificado em 2 de nov. de 2026 · Como avaliamos
Como escolher
- PDFs digitais e arquivos do Office: um parser open source costuma bastar.
- Digitalizações, manuscritos e tabelas complexas: um modelo de OCR ou de visão e linguagem compensa o custo.
- Teste nos seus piores documentos, não na demonstração de um fornecedor.
O que observar
As perguntas que separam as opções, em ordem de importância.
01
Resultados nos seus piores documentos
Parsers que parecem idênticos em um relatório limpo divergem em contratos digitalizados, páginas giradas e tabelas com vários níveis. Escolha de 20 a 50 dos seus arquivos mais difíceis, processe-os com cada candidato e compare a saída com o que uma pessoa lê. Isso vale mais do que qualquer ranking, porque os benchmarks abaixo usam misturas de documentos que podem não se parecer com as suas.
02
Estrutura das tabelas
As tabelas são onde os parsers falham de forma mais visível: células mescladas, cabeçalhos que abrangem várias colunas e tabelas divididas entre páginas viram texto corrido. Os benchmarks medem isso com o TEDS (similaridade por distância de edição de árvore entre a estrutura prevista e a real da tabela; quanto maior, melhor). Verifique se o parser mantém as linhas de cabeçalho quando uma tabela é dividida, porque uma linha sem os seus cabeçalhos é mal recuperada.
03
Como ler o OmniDocBench
O OmniDocBench é o benchmark público mais citado para parsing de páginas. A sua nota Overall é a média de três partes: precisão do texto (1 menos a distância de edição normalizada), TEDS das tabelas e CDM das fórmulas, então um modelo forte em fórmulas pode ficar à frente de outro que é melhor nas tabelas que importam para você; leia as colunas de cada componente. As versões v1.5, v1.6 e v1.7 não são comparáveis, e as notas autodeclaradas diferem das medições de terceiros: a DeepSeek informa 91,09 para o DeepSeek-OCR 2 na v1.5, enquanto a Baidu mediu 89,17.
04
Digitalizações, fotos e manuscritos
PDFs nativamente digitais e arquivos do Office já trazem o seu texto; digitalizações e fotos de celular precisam de OCR. Conversores baseados em regras, como o MarkItDown, não devolvem quase nada de uma digitalização por padrão. Pipelines de machine learning (Docling, Unstructured hi_res) lidam com digitalizações impressas, enquanto modelos de visão e linguagem (PaddleOCR-VL, Chandra OCR 2, níveis agênticos hospedados) se saem melhor em páginas tortas, escuras ou manuscritas, a um custo de computação maior.
05
Ordem de leitura e estrutura na saída
Layouts com várias colunas, barras laterais e notas de rodapé precisam sair na ordem em que uma pessoa os lê, com os títulos marcados como títulos. Uma saída estruturada, como o modelo de documento do Docling ou os elementos tipados do Unstructured, permite que a etapa seguinte faça chunking por seção e descarte cabeçalhos e rodapés. Bounding boxes e números de página importam se você precisa citar ou destacar a fonte.
06
Onde os documentos são processados
Parsers hospedados enviam os seus arquivos para a nuvem de outra empresa, e alguns usam provedores de modelos terceirizados como subprocessadores. Se os documentos são confidenciais ou regulados, escolha uma biblioteca ou um modelo self-hosted, ou um fornecedor que ofereça implantação em VPC ou on-premises. VLMs self-hosted precisam de GPU; pipelines de ML rodam em CPU, mas devagar.
07
Custo e throughput a cada 1.000 páginas
Os preços hospedados são cotados por página e variam conforme o modo: o LlamaParse vai de $1,25 a $56,25 a cada 1.000 páginas, dependendo do nível, e o Reducto cobra $10 para parsing e $40 para extração aprofundada. Ferramentas self-hosted custam tempo de GPU ou CPU. Envie apenas os documentos difíceis para os modos caros; um parser rápido basta para arquivos limpos e nativamente digitais.
08
Segurança com arquivos não confiáveis
Os parsers abrem formatos complexos que um invasor pode controlar. O Docling publicou nove avisos de segurança em outubro de 2026, vários permitindo que um documento forjado lesse arquivos locais, e o README do MarkItDown avisa que ele lê arquivos e URLs com os privilégios do processo. Fixe versões corrigidas e isole o parsing em sandbox se os usuários puderem enviar documentos.
Qual abordagem para quais dados
Cada tipo de conteúdo pede modelos diferentes. Muitos sistemas usam mais de um e roteiam pelo tipo de dado.
| Seus dados | Abordagem | Comece com |
|---|---|---|
| PDFs e arquivos do Word nativamente digitais | A camada de texto já existe, então um parser open source que entende layout basta; ele recupera títulos, ordem de leitura e tabelas sem OCR. | Docling, MarkItDown, Unstructured, Marker |
| Digitalizações, fotos e manuscritos | Exige OCR. Um VLM compacto para documentos lida melhor com páginas tortas, escuras e densas; os níveis agênticos hospedados são a alternativa se você não tem GPU. Teste manuscritos com as suas próprias amostras, porque os benchmarks publicados os cobrem pouco. O Chandra OCR 2 tem os melhores resultados independentes em digitalizações difíceis e manuscritos, e o LightOnOCR-3-4B lidera o teste do seu fabricante com páginas manuscritas em francês. | PaddleOCR-VL-1.6, Unlimited-OCR 2, Chandra OCR 2, LightOnOCR-3-4B, LlamaParse, Reducto |
| Tabelas complexas | Use um parser com um modelo dedicado à estrutura de tabelas e compare o TEDS nas suas próprias tabelas; mantenha as tabelas em Markdown ou HTML para que o chunker possa repetir as linhas de cabeçalho. Para tabelas que se dividem entre páginas, o OvisOCR3 tem um modo de duas páginas que as junta. | Docling, LlamaParse, Reducto, PaddleOCR-VL-1.6, OvisOCR2, OvisOCR3 |
| CPU, dispositivos de borda ou GPUs pequenas | O PP-OCRv6 e o Indra leem texto impresso em CPUs comuns, e o nível menor do PP-OCRv6 cabe em um celular, mas eles devolvem texto, boxes e layout, e não tabelas ricas. Com uma GPU NVIDIA modesta, o Nemotron OCR v2 lê cerca de 35 páginas por segundo em uma A100 e o modelo de 270M do Falcon OCR cabe ao lado de outros serviços; nenhum dos dois mantém bem a estrutura das tabelas. | PP-OCRv6, Indra OCR, Nemotron OCR v2, Falcon OCR |
| A licença para uso comercial importa | Leia a licença dos pesos, não só a do código. O Chandra OCR 2 é gratuito para uso comercial apenas abaixo de $2M de receita e captação, o Surya OCR 2.5 e os pesos do Marker abaixo de $5M e o Indra abaixo de $20M; os pesos do Jina OCR v1 são não comerciais, e o HunyuanOCR 1.5 não pode ser usado na UE, no Reino Unido nem na Coreia do Sul. PaddleOCR-VL-1.6, GLM-OCR e MiniCPM-OCR 1.0 não têm esses limites. | PaddleOCR-VL-1.6, GLM-OCR, MiniCPM-OCR 1.0, Docling |
| Slides | Converta o PPTX diretamente para manter os títulos dos slides e as notas do apresentador; para apresentações com muitas imagens, gere também embeddings das imagens dos slides com um modelo multimodal (veja o guia de embeddings). | MarkItDown, Docling |
| Planilhas | Converta as planilhas em tabelas Markdown para a recuperação, mas responda a perguntas numéricas consultando os dados originais, e não a partir do texto com embeddings. | MarkItDown, Docling, Unstructured |
| Páginas da web | Use um crawler que devolva Markdown limpo (veja o guia de ingestão); para arquivos HTML salvos, um parser com suporte a HTML mantém títulos e listas. | Firecrawl, Unstructured, Docling |
Como as opções se diferenciam
Existem três famílias. Conversores baseados em regras (MarkItDown, a estratégia fast do Unstructured) leem a camada de texto e a estrutura que o arquivo já contém; são rápidos e leves, mas perdem tabelas e ordem de leitura em PDFs complexos e não fazem nada com digitalizações. Pipelines de machine learning (Docling, Unstructured hi_res) acrescentam detecção de layout, modelos de estrutura de tabelas e OCR, e produzem documentos estruturados que você pode dividir por seção; rodam no seu próprio hardware.
Modelos de visão e linguagem (PaddleOCR-VL-1.6, GLM-OCR, Unlimited-OCR) leem a página como imagem e escrevem texto, tabelas e fórmulas, o que lida melhor com digitalizações e layouts estranhos, mas exige GPU e avaliação cuidadosa. Parsers hospedados (LlamaParse, Reducto) empacotam essas abordagens por trás de uma API com preço por página, acrescentando extração para um schema, citações e suporte, ao custo de enviar os documentos para fora da empresa.
34 ferramentas comparadas
Ordenadas pela nossa nota. Abra qualquer avaliação para ver as fontes, os preços e o veredito completo.
| Ferramenta | Nota | Nosso veredito | Ideal para | Preço |
|---|---|---|---|---|
| Doclingrepositório | 4.5/5 | O Docling é o parser de código aberto que acerta as tabelas, e aquele cujas versões de segurança você não pode se dar ao luxo de pular. | Equipes que constroem RAG auto-hospedado sobre PDFs e documentos do Office com tabelas complexas. | Gratuito e de código aberto sob a licença MIT. |
| PaddleOCR-VL-1.6modelo | 4.4/5 | Análise de documentos no topo da tabela com menos de um bilhão de parâmetros, desde que você aceite o conjunto de ferramentas da Baidu. | Equipes que extraem em escala tabelas, fórmulas e texto de documentos variados de uma página. | Gratuito sob Apache 2.0. Nenhum preço hospedado próprio publicado. |
| Reductoferramenta | 4.3/5 | O Reducto é o parser em que vale a pena pagar quando um erro de extração custa mais que a página, embora a maior parte das provas de precisão ainda venha do próprio Reducto. | Equipes que extraem campos de documentos financeiros, jurídicos ou médicos longos, em que erros saem caros. | US$ 150 de uso grátis; Parse US$ 10, Extract US$ 20, Deep Extract US$ 40, Edit US$ 60 por 1.000 páginas; lote com 20% de desconto em Parse e Extract. Growth e Enterprise sob consulta. |
| MiniCPM-OCR 1.0modelo | 4.3/5 | O MiniCPM-OCR 1.0 combina precisão de parsing quase no topo com o maior throughput no teste de 15 modelos do fabricante, o que o torna a escolha prática de OCR pequeno, se os números se confirmarem. | Equipes que processam grandes volumes de documentos em chinês ou inglês nas próprias GPUs e se importam tanto com páginas por hora quanto com o último ponto de precisão. | Gratuito sob Apache 2.0. A API hospedada de parsing de documentos da ModelBest é anunciada como gratuita; cotas e tarifas pagas não publicadas. |
| GLM-OCRmodelo | 4.3/5 | O GLM-OCR já não é o parser mais preciso, mas é o que tem menos motivos para um não: pequeno, com licença MIT, pontuado de forma independente e barato de alugar. | Equipes que querem um modelo de OCR rápido e com licença permissiva que possam rodar elas mesmas ou alugar por token do mesmo fornecedor. | Gratuito sob a licença MIT. API do Z.ai a US$ 0,03 por milhão de tokens, entrada e saída; BigModel (China) 0,2 RMB por milhão de tokens. |
| MinerUrepositório | 4.3/5 | O MinerU combina um dos modelos de documentos abertos mais precisos com um toolkit movimentado e bem documentado, embora sua licença já não seja open source pura e suas APIs continuem mudando. | Equipes de RAG e de dados que processam grandes coleções mistas de PDFs e arquivos do Office no próprio hardware e aceitam uma cláusula de atribuição. | Gratuito sob a MinerU Open Source License (Apache 2.0 com termos adicionais); uma licença comercial separada é exigida acima de 100 milhões de usuários ativos mensais ou US$ 20 milhões de receita mensal. |
| Markerrepositório | 4.3/5 | O Marker transforma PDFs difíceis em Markdown utilizável melhor do que qualquer outro pipeline aberto que seus criadores mediram, embora a licença dos pesos imponha um teto de receita a essa liberdade. | Equipes de RAG e de dados que convertem grandes volumes de PDFs complexos ou digitalizados no próprio hardware. | Código gratuito sob Apache 2.0; pesos gratuitos abaixo de US$ 5M em receita e captação, licença comercial acima disso. API hospedada da Datalab: Convert a US$ 4 por 1.000 páginas (fast ou balanced); plano Team a US$ 400/mês. |
| LlamaParseferramenta | 4.2/5 | O LlamaParse transforma documentos em texto limpo para pipelines de RAG a um preço por página baixo e previsível, desde que os seus arquivos possam passar pela nuvem de outra empresa. | Equipes que fazem parsing de grandes volumes de PDFs variados para RAG e querem custos por página baixos e previsíveis. | Free 10K créditos/mês; Starter US$ 50/mês (40K créditos); Pro US$ 500/mês (400K créditos). US$ 1,25 por 1.000 créditos; parsing de 1 a 45 créditos por página conforme a faixa. |
| pdf-inspectorrepositório | 4.2/5 | O pdf-inspector deveria ser a primeira parada em qualquer pipeline de PDF, porque a chamada de OCR mais barata é a que você nunca faz. | Engenheiros que constroem pipelines de RAG ou de agentes sobre PDFs majoritariamente digitais e querem extração local e rápida e uma decisão barata entre digitalização e texto. | Gratuito sob a licença MIT. |
| Mistral OCRferramenta | 4.2/5 | O Mistral OCR lê bem documentos em quase qualquer idioma e diz o quanto tem certeza, a um preço que só faz sentido depois que você ativa o modo batch. | Desenvolvedores que montam pipelines de documentos em vários idiomas e precisam de posições na página e pontuações de confiança, sobretudo na Europa ou on-premises. | US$ 4 a cada 1.000 páginas; US$ 2 a cada 1.000 páginas na Batch API; US$ 5 a cada 1.000 páginas anotadas. Contêiner auto-hospedado para clientes empresariais, preço não divulgado. |
| Unlimited-OCR 2modelo | 4.2/5 | O Unlimited-OCR 2 transforma um relatório de 300 páginas em uma única chamada ao modelo, e por enquanto o único placar que prova isso é um que a própria Baidu montou. | Equipes que digitalizam relatórios, contratos e livros longos e querem processar documentos inteiros em suas próprias GPUs. | Grátis sob a licença MIT. A API hospedada da Baidu AI Cloud é grátis por tempo limitado (200 páginas de teste para pessoas físicas, 1.000 para empresas); preços pagos não publicados. |
| Chandra OCR 2modelo | 4.2/5 | O Chandra OCR 2 tem as melhores evidências externas de todos os parsers de documentos abertos que cobrimos, e a licença mais restritiva: o uso comercial gratuito termina em US$ 2M. | Pesquisadores, arquivos e pequenas empresas abaixo do limite da licença que querem o parser aberto mais testado de forma independente para digitalizações difíceis e manuscritos. | Pesos gratuitos para pesquisa, uso pessoal e empresas com menos de US$ 2M de receita e US$ 2M de captação; licença paga acima disso (preço não publicado). API da Datalab: Convert US$ 4 a cada 1.000 páginas nos modos fast/balanced, US$ 10 no accurate; plano Team US$ 400/mês. |
| LightOnOCR-3-4Bmodelo | 4.2/5 | O LightOnOCR-3-4B dá a um único modelo de 4B as caixas de layout e os dados de gráficos que antes exigiam um pipeline, e pelos números da LightOn é o modelo aberto a ser batido em documentos em francês e manuscritos. | Equipes que processam documentos empresariais, formulários e manuscritos em idiomas europeus e querem dados de layout e de gráficos sem rodar um pipeline de detecção. | Gratuito sob Apache 2.0. Nenhuma API hospedada própria listada no card do modelo; uma demonstração gratuita roda no Hugging Face Spaces. |
| Mistral OCR 4.1modelo | 4.2/5 | OCR forte e atento ao layout, com índices de confiança úteis e opção de auto-hospedagem, por quatro vezes o preço do antecessor e de alguns rivais. | Equipes que constroem pipelines de documentos e precisam de layout, índices de confiança e hospedagem na UE ou local mais do que do menor custo por página. | US$ 4 por 1.000 páginas; US$ 2 por 1.000 páginas na Batch API; anotações do Document AI US$ 5 por 1.000 páginas. Contêiner auto-hospedado para clientes empresariais sob acordo. |
| OvisOCR3modelo | 4.2/5 | O OvisOCR3 faz cinco tarefas com documentos no espaço que o OvisOCR2 usava para uma, e a única coisa que o segura é que ninguém fora da Alibaba o pontuou ainda. | Equipes que querem parsing, extração de campos e tabelas entre páginas a partir de um único modelo pequeno auto-hospedado e podem validá-lo com os próprios documentos. | Gratuito sob Apache 2.0. Sem API hospedada; uma demonstração gratuita roda no Hugging Face Spaces. |
| Xberg (formerly Kreuzberg)repositório | 4.1/5 | O Xberg abre quase qualquer arquivo a partir de praticamente qualquer linguagem em que você programa, e esse alcance vem acompanhado de uma superfície ampla para proteger. | Equipes fora do ecossistema Python que precisam de um único analisador integrável para uma ampla variedade de formatos de arquivo, com OCR modular. | Gratuito sob a licença MIT. O Xberg Pro e Enterprise (backends gerenciados ou auto-hospedados) são vendidos por meio de um programa de design partners; os preços são divulgados apenas mediante solicitação. |
| Xiaomi-OCR-0modelo | 4.1/5 | O Xiaomi-OCR-0 lê uma página quase tão bem quanto modelos uma vez e meia maiores, mas seu melhor número de destaque é um que um laboratório rival não conseguiu reproduzir. | Equipes que querem um único modelo pequeno com licença Apache tanto para converter páginas em Markdown quanto para extrair campos de formulários e recibos. | Gratuito sob Apache 2.0. Sem API hospedada da Xiaomi. |
| OvisOCR2modelo | 4.1/5 | O OvisOCR2 provou que um modelo de ponta a ponta de 0,8B pode igualar os melhores parsers em pipeline, e três meses depois o próprio sucessor o tornou a segunda opção. | Equipes que querem um parser de páginas pequeno e de passada única cuja precisão foi confirmada no ranking público do OmniDocBench. | Gratuito sob Apache 2.0. Sem API hospedada; uma demonstração gratuita roda no Hugging Face Spaces. |
| HunyuanOCR 1.5modelo | 4.1/5 | O HunyuanOCR 1.5 é o modelo de OCR de ponta a ponta mais forte perto de 1B de parâmetros pelos próprios números da Tencent, e está juridicamente fora do alcance de qualquer pessoa na Europa, no Reino Unido ou na Coreia do Sul. | Equipes fora da Europa, do Reino Unido e da Coreia do Sul que querem um único modelo pequeno para parsing de documentos, detecção de texto, extração e tradução de imagens. | Gratuito sob a Tencent Hunyuan Community License fora da UE, do Reino Unido e da Coreia do Sul; serviços com mais de 100 milhões de usuários mensais precisam de licença da Tencent. Nenhum preço de API hospedada publicado. |
| PP-OCRv6modelo | 4.1/5 | O PP-OCRv6 lê linhas de texto em uma CPU ou em um celular por uma fração do custo de um VLM, desde que você só precise das palavras e não da estrutura da página. | Engenheiros que precisam de OCR de linhas de texto rápido e barato em CPUs, celulares ou dispositivos de borda, ou como primeira etapa do próprio pipeline de documentos. | Gratuito sob Apache 2.0. Nenhum preço hospedado próprio publicado. |
| Azure Document Intelligenceferramenta | 4.0/5 | Para faturas, recibos e formulários que têm sempre a mesma cara, o Azure Document Intelligence é barato, estável e roda offline, mas é a ferramenta errada para documentos bagunçados que exigem discernimento. | Equipes que processam grandes volumes de formulários padrão, faturas ou documentos de identidade no Azure, ou qualquer um que precise rodar a extração de documentos on-premises ou offline. | Nível gratuito de 500 páginas por mês; Read US$ 1,50 por 1.000 páginas (US$ 0,60 acima de 1 milhão por mês); Layout e modelos prontos US$ 10; extração personalizada US$ 30; classificador US$ 3; complementos US$ 6; níveis de compromisso a partir de US$ 190/mês; contêineres desconectados a partir de US$ 8.640/ano. |
| Qianfan-OCRmodelo | 4.0/5 | O Qianfan-OCR é o modelo a escolher quando uma página precisa ser lida e entendida em uma única chamada; para a conversão simples em Markdown, parsers menores são mais precisos. | Equipes que precisam de extração de campos, leitura de gráficos e OCR multilíngue a partir de um único modelo auto-hospedado e podem dispor de uma GPU de data center. | Gratuito sob Apache 2.0. Também oferecido na plataforma Qianfan da Baidu AI Cloud; o preço hospedado não consta do card do modelo. |
| Falcon OCRmodelo | 4.0/5 | O Falcon OCR lê texto quase tão bem quanto modelos dez vezes maiores pelo custo de uma passada de 270M de parâmetros, desde que você consiga viver sem uma boa estrutura de tabelas. | Equipes que processam grandes volumes de recibos, formulários, digitalizações e manuscritos em GPUs modestas, quando o texto importa mais que a estrutura das tabelas. | Gratuito sob Apache 2.0. Sem API hospedada; o TII publica uma imagem Docker de vLLM para auto-hospedagem. |
| Surya OCR 2.5modelo | 4.0/5 | O Surya 2.5 faz de um modelo com menos de 1B um analisador de documentos completo e confiável, a cerca de 16.000 páginas por hora em uma H100, mas a licença dos pesos é o que se deve ler primeiro. | Equipes pequenas e pesquisadores que precisam de análise de documentos rápida e auto-hospedada, com layout e tabelas, e cuja empresa está abaixo do limite da licença. | Pesos grátis para pesquisa, uso pessoal e empresas abaixo de US$ 5 milhões de receita e captação; licença paga acima disso (preço não publicado). API da Datalab: Convert a US$ 4 por 1.000 páginas em fast/balanced, US$ 10 em accurate; plano Team a US$ 400/mês. |
| Indra OCRrepositório | 4.0/5 | Rápido o bastante em CPUs comuns para mudar a economia do OCR em massa, desde que seus documentos sejam impressos e limpos e sua empresa fique abaixo da linha de US$ 20M da licença. | Startups e equipes de pesquisa que precisam fazer OCR de grandes volumes de documentos impressos e limpos de forma barata em CPUs. | Código Apache-2.0; pesos gratuitos sob uma OpenRAIL-M modificada para pesquisa, uso pessoal e empresas com menos de US$ 20M em financiamento ou receita; caso contrário, licença comercial da Datalab. |
| FireRed-OCRmodelo | 3.9/5 | Uma demonstração clara de que o aprendizado por reforço sobre formato pode elevar um modelo geral de 2B em 11 pontos, mas ainda não um motivo para abandonar os parsers em pipeline que continuam à frente dele. | Equipes que já servem o Qwen3-VL e querem um checkpoint de documento para Markdown pronto para encaixar, sem adicionar um pipeline de layout. | Gratuito sob Apache 2.0. Sem API hospedada; só uma demonstração gratuita em um Hugging Face Space. |
| Unstructuredrepositório | 3.8/5 | Continua sendo a rede mais ampla para formatos de arquivo incomuns, mas seus criadores agora publicam os números que mostram por que você pagaria a eles em vez disso. | Equipes que constroem pipelines de ETL que ingerem muitos formatos de documento para RAG. | Biblioteca gratuita sob Apache 2.0. Plataforma hospedada: 10.000 páginas grátis, depois $0.015 por página; plano Business com implantação em VPC ou dedicada, com preço sob consulta. |
| MarkItDownrepositório | 3.8/5 | O MarkItDown leva arquivos do Office até um modelo mais rápido que qualquer outra opção de código aberto, e achata justamente os PDFs que a recuperação mais precisa manter intactos. | Desenvolvedores que precisam alimentar um modelo com documentos do Office e PDFs digitais limpos de forma rápida e barata. | Gratuito e de código aberto sob a licença MIT. Os serviços opcionais de conversão do Azure são cobrados pela Microsoft. |
| Nemotron OCR v2modelo | 3.8/5 | O Nemotron OCR v2 é, por uma ordem de grandeza, o OCR aberto mais rápido aqui, mas no benchmark de documentos da própria NVIDIA ele lê com menos precisão que o PaddleOCR v5 que ele ultrapassa em velocidade. | Equipes de recuperação e RAG em hardware NVIDIA que precisam extrair texto simples de volumes muito grandes de páginas rapidamente, com uma licença amigável ao uso comercial. | Gratuito sob a NVIDIA Open Model License, uso comercial permitido. API de teste em build.nvidia.com; preço do contêiner NIM não publicado na página do modelo. |
| Infinity-Parser2-Flashmodelo | 3.8/5 | O Infinity-Parser2-Flash faz mais tipos de trabalho com documentos que a maioria dos modelos de 2B, mas no parsing simples de páginas fica atrás de parsers menores e precisa de lotes para ser rápido. | Equipes de pesquisa e de documentação técnica que querem parsing de páginas, extração de gráficos e reconhecimento de estruturas químicas a partir de um único modelo pequeno auto-hospedado. | Gratuito sob Apache 2.0. Sem API hospedada própria; uma demonstração gratuita roda no Hugging Face Spaces. |
| DeepSeek-OCR 2modelo | 3.7/5 | Econômico em tokens visuais e bem documentado no artigo, mas os rivais leem melhor e o próprio repositório parou em fevereiro. | Equipes que já investiram na stack do DeepSeek-OCR e querem uma melhoria de precisão que substitua o modelo diretamente. | Gratuito sob Apache 2.0. |
| Jina OCR v1modelo | 3.7/5 | O Jina OCR v1 escreve as páginas mais curtas da sua categoria e as processa rápido, mas é um modelo de meio de tabela cujos pesos você não pode usar comercialmente sem contrato. | Equipes que já usam o Jina Reader ou a Elastic e querem conversão hospedada e barata de páginas para Markdown, e pesquisadores que querem uma baseline rápida e não comercial. | API da Jina: US$ 0,50 por 1M de tokens de entrada, US$ 2 por 1M de tokens de saída. Pesos gratuitos para uso não comercial sob CC BY-NC 4.0; a auto-hospedagem comercial exige licença da Jina (preço não publicado). |
| deepseek-ocr.rsrepositório | 3.6/5 | O deepseek-ocr.rs coloca um modelo de OCR moderno atrás de um endpoint OpenAI em um Mac sem Python, mas é um projeto de uma pessoa só que ficou parado em fevereiro. | Desenvolvedores em Apple Silicon ou máquinas só com CPU que querem um modelo de OCR local atrás de uma API no estilo OpenAI, sem uma stack Python. | Gratuito sob Apache-2.0; os pesos dos modelos seguem as licenças de origem. |
| dots.ocrmodelo | 3.6/5 | Ele tornou crível em 2025 o parsing de layout com um único modelo, mas no fim de 2026 é a versão que os próprios criadores substituíram. | Equipes com pipelines de dots.ocr já existentes, ou que precisam de bounding boxes e ordem de leitura para idiomas com poucos recursos a partir de um único modelo com licença MIT. | Gratuito sob a licença MIT. Sem API hospedada própria. |
Lado a lado
As especificações que importam nesta etapa. Verificadas em 2 de nov. de 2026; confirme no site do fornecedor antes de decidir.
| Ferramenta | Abordagem | Digitalizações / OCR | Tabelas | Saída | Hospedagem | Licença |
|---|---|---|---|---|---|---|
| Docling | Pipeline de ML; modo VLM opcional | Sim (OCR); fraco em manuscritos | Modelo TableFormer | Markdown, modelo de documento JSON | Self-hosted | MIT |
| PaddleOCR-VL-1.6 | Modelo de visão e linguagem de 0,9B | Sim, incl. páginas deformadas e fotos | Sim, além de fórmulas e gráficos | Markdown, JSON | Self-hosted (GPU) | Apache 2.0 |
| Reducto | Modelos hospedados em várias passagens | Sim | Forte (benchmark do fornecedor) | JSON com citações, bounding boxes | API; VPC/on-prem (Enterprise) | Proprietária |
| MiniCPM-OCR 1.0 | VLM de 1,3B mais modelo de layout | Sim, incl. carimbos | Sim, além de fórmulas e gráficos | Markdown, JSON | Self-hosted; API gratuita da ModelBest | Apache 2.0 |
| GLM-OCR | VLM de 0,9B mais modelo de layout | Sim; oito idiomas | Sim, além de fórmulas | Markdown, JSON preenchido conforme schema | Self-hosted; API da Z.ai | MIT |
| MinerU | Em níveis: da camada de texto a um VLM de 1,2B | Sim (níveis de OCR e VLM) | Sim, além de fórmulas | Markdown, HTML, LaTeX, DOCX, JSON | Self-hosted (CPU ou GPU) | Apache 2.0 mais termos; atribuição obrigatória |
| Marker | Camada de texto mais o VLM Surya | Sim, no modo balanced (GPU) | Sim; tabelas aninhadas podem falhar | Markdown, HTML, JSON, chunks | Self-hosted; API da Datalab | Código Apache 2.0; pesos gratuitos abaixo de $5M |
| LlamaParse | Em níveis: de texto a VLM agêntico | Sim (níveis agênticos) | 89% no teste da Kanopy Labs | Markdown, JSON estruturado | Só na nuvem | Proprietária |
| Unlimited-OCR 2 | VLM MoE de 3B, passagens em várias páginas | Sim | Sim | Não publicado | Self-hosted (GPU); Baidu Cloud | MIT |
| Chandra OCR 2 | Modelo de visão e linguagem de 5,3B | Sim, incl. manuscritos e formulários | Sim, além de gráficos e diagramas | Markdown, HTML, JSON com boxes | Self-hosted (GPU); API da Datalab | OpenRAIL-M; gratuita abaixo de $2M de receita e captação |
| LightOnOCR-3-4B | VLM de ponta a ponta de 4,5B | Sim, incl. manuscritos; digitalizações antigas são o ponto mais fraco | Sim, além de dados de gráficos | Markdown; blocos com boxes no modo grounding | Self-hosted (GPU) | Apache 2.0 |
| Mistral OCR 4.1 | Modelo de OCR hospedado | Sim; 170 idiomas; mais fraco em manuscritos | Rotuladas como blocos de tabela | Texto com boxes e confiança; JSON conforme schema | API; contêiner (Enterprise) | Proprietária |
| OvisOCR3 | VLM de ponta a ponta de 0,8B, cinco tipos de tarefa | Sim, incl. páginas fotografadas | Sim, incl. tabelas divididas entre páginas | Markdown, JSON com boxes, HTML | Self-hosted (GPU) | Apache 2.0 |
| Xiaomi-OCR-0 | VLM de 0,8B mais modelo de layout | Sim | Sim, além de fórmulas | Markdown, LaTeX, JSON preenchido conforme schema | Self-hosted (GPU) | Apache 2.0 |
| OvisOCR2 | VLM de ponta a ponta de 0,8B | Sim | Sim, como HTML | Markdown, tabelas HTML, LaTeX | Self-hosted (GPU) | Apache 2.0 |
| HunyuanOCR 1.5 | VLM de ponta a ponta de 1,12B | Sim, além de localização de texto | Sim, como HTML; além de gráficos | Markdown, HTML, LaTeX | Self-hosted (GPU) | Licença da Tencent; exclui UE, Reino Unido e Coreia do Sul |
| PP-OCRv6 | Detecção e leitura, de 1,5M a 34,5M | Impresso sim; fraco em manuscritos | Não (modelos PaddleOCR separados) | Linhas de texto, boxes, confiança | Self-hosted (CPU, celular, borda) | Apache 2.0 |
| Qianfan-OCR | VLM de 4,7B, saída de layout opcional | Sim; 192 idiomas | Sim, além de gráficos e campos | Markdown | Self-hosted (GPU); Baidu Qianfan | Apache 2.0 |
| Falcon OCR | OCR de 270M com um único Transformer | Sim, incl. manuscritos; fraco em digitalizações degradadas | Fraco de ponta a ponta; melhor no modo de layout | Texto, LaTeX, tabelas HTML | Self-hosted (GPU); imagem Docker do vLLM | Apache 2.0 |
| Surya OCR 2.5 | VLM de 689M: layout, OCR, tabelas | Sim; documentos, não fotos | HTML com células mescladas; sem geometria das células | HTML com LaTeX; blocos rotulados | Self-hosted (GPU ou CPU); API da Datalab | OpenRAIL-M; gratuita abaixo de $5M de receita e captação |
| Indra OCR | Pipeline de OCR ONNX de 7,3M | Impresso sim; fraco em manuscritos e material degradado | Fraco em células mescladas | Markdown, texto, JSON com boxes | Self-hosted (só CPU) | Código Apache 2.0; pesos gratuitos abaixo de $20M |
| FireRed-OCR | VLM de 2B (fine-tune do Qwen3-VL) | Sim | Sim; fica atrás dos parsers em pipeline | Markdown com LaTeX | Self-hosted (GPU) | Apache 2.0 |
| Unstructured | Regras (fast) ou ML + OCR (hi_res) | Sim, no hi_res | 71% no teste da Kanopy Labs | Elementos tipados (JSON) | Self-hosted; API paga | Apache 2.0 |
| MarkItDown | Baseado em regras; LLM/Azure opcional | Sem OCR por padrão (plugin) | Office sim; tabelas de PDF se perdem | Markdown | Self-hosted | MIT |
| Nemotron OCR v2 | Detector mais reconhecedor de 84M | Texto impresso; fraco em páginas giradas | Não | Texto, boxes, confiança | Self-hosted (GPU NVIDIA); NIM | NVIDIA Open Model License; uso comercial permitido |
| Infinity-Parser2-Flash | Modelo de visão e linguagem de 2,2B | Sim; principalmente inglês e chinês | Sim, além de gráficos; fraco em tabelas giradas | JSON com boxes, Markdown | Self-hosted (GPU) | Apache 2.0 |
| DeepSeek-OCR 2 | Modelo de visão e linguagem MoE de 3B | Sim | Sim | Markdown | Self-hosted (GPU) | Apache 2.0 |
| Jina OCR v1 | VLM MoE de 3,4B (base DeepSeek-OCR) | Sim | Sim, como HTML | Markdown, HTML, LaTeX | API da Jina; self-hosted (GPU) | Não comercial (CC BY-NC 4.0) |
| dots.ocr | VLM de 3B, layout e texto em um só | Sim; 100 idiomas (teste interno) | Sim, como HTML | Blocos com boxes; Markdown, HTML, LaTeX | Self-hosted (GPU) | MIT |
Conecte ao seu agente
Servidores MCP que permitem que assistentes como Claude, ChatGPT e Cursor usem essas ferramentas diretamente.
Onde esta etapa se encaixa
- Converse com os seus documentos: começaríamos com Docling, LlamaParse.
- Agente de atendimento ao cliente: começaríamos com MarkItDown.
- Agente de programação: começaríamos com MarkItDown.
- Pesquisa e grafo de conhecimento: começaríamos com Docling, PaddleOCR-VL-1.6.
- Assistente com memória de longo prazo: começaríamos com MarkItDown.
- Pipeline de geração de imagens: começaríamos com Docling.
- Produção de vídeo: começaríamos com Docling.
- Agente de voz: começaríamos com Docling.
- IA privada no dispositivo: começaríamos com Docling, PaddleOCR-VL-1.6.
- Processamento de documentos: começaríamos com Reducto, PaddleOCR-VL-1.6, DeepSeek-OCR 2.
- O seu próprio modelo com fine-tuning: começaríamos com Docling.
- Automação de fluxos de trabalho: começaríamos com MarkItDown.
Fontes deste guia
- OmniDocBench no GitHub
- Unstructured vs LlamaParse vs Docling (Kanopy Labs)
- MarkItDown vs Docling vs Marker (danilchenko.dev)
- docling-project/docling no GitHub
- Avisos de segurança do Docling de outubro de 2026 (Safeguard)
- microsoft/markitdown no GitHub
- Documentação de preços do LlamaParse
- Preços do Reducto
- Model card do PaddleOCR-VL-1.6
- Model card do DeepSeek-OCR 2
- Artigo do Unlimited-OCR (arXiv)