O que é Nemotron OCR v2?
O Nemotron OCR v2 é um modelo de reconhecimento de texto da linha NeMo Retriever da NVIDIA, publicado no Hugging Face em abril de 2026. Como o pipeline clássico do PaddleOCR, ele não é um modelo de visão e linguagem: um detector convolucional RegNetX-8GF encontra as regiões de texto, um pequeno reconhecedor Transformer as lê, e um módulo relacional as agrupa em linhas e parágrafos na ordem de leitura. Ele devolve caixas, texto e pontuações de confiança.
Ele vem em duas variantes. O modelo em inglês tem 53,8 milhões de parâmetros e trabalha no nível de palavras; o modelo multilíngue tem 83,9 milhões e lê linhas inteiras em inglês, chinês simplificado e tradicional, japonês, coreano e russo a partir de um único conjunto de 14.244 caracteres. O treino usou cerca de 680.000 imagens reais mais de 11 milhões de páginas sintéticas, liberadas como dataset CC BY 4.0.
Os pesos estão sob a NVIDIA Open Model License, que permite uso comercial. Ele exige Linux e uma GPU NVIDIA, e o pacote compila uma extensão CUDA na instalação.
Nemotron OCR v2 vale a pena?
O Nemotron OCR v2 troca precisão por throughput, e os próprios números da NVIDIA mostram os dois lados. Em uma A100, o modelo multilíngue roda a 34,7 páginas por segundo, contra 1,2 do PaddleOCR v5 server e 1,5 do OpenOCR, o que a NVIDIA chama de mais de 28 vezes mais rápido. No mesmo teste de recortes do OmniDocBench, sua distância de edição normalizada é de 0,048 em inglês, 0,072 em chinês e 0,142 em texto misto, enquanto o PaddleOCR v5 marca 0,027, 0,037 e 0,041; menor é melhor, então o Paddle é claramente mais preciso em documentos reais.
O ganho multilíngue é real, mas medido no terreno da NVIDIA. Em páginas sintéticas do SynthDoG ele supera o PaddleOCR em todos os idiomas, com o erro caindo de 0,923 para 0,047 em coreano em relação à v1. Essas páginas de teste vêm de um gerador próximo do pipeline de treino sintético da própria NVIDIA, cujo código modificado ainda não é público, então trate a margem como um limite superior.
Ele também faz menos por página que os parsers VLM ao lado dos quais aparece. Não há estrutura de tabelas, LaTeX nem Markdown, só caixas, texto e ordem de leitura, e páginas giradas atrapalham: o erro do modelo multilíngue em texto girado 270 graus é de 0,332. A variante em inglês é inútil em chinês, com 0,830.
A implantação é o ponto forte da NVIDIA. Ele é distribuído como contêiner NIM, endpoint hospedado de teste e exemplo de Docker Compose, e a licença permite uso comercial sem teto de receita. Uma equipe de recuperação que indexa milhões de páginas majoritariamente em inglês pode passá-las por uma GPU em horas, e não em dias; uma equipe que precisa de tabelas ou da melhor precisão de caracteres deve combiná-lo com o PP-OCRv6 ou um parser VLM, ou substituí-lo por eles.
Onde ele se destaca
Um engenheiro de plataforma construindo um índice RAG sobre 5 milhões de PDFs internos
Extrair texto e ordem de leitura rápido o bastante para reindexar toda semana
Rode o modelo multilíngue no contêiner NIM ou no pipeline Python em A100s. Nas 34,7 páginas por segundo da NVIDIA, uma GPU processa cerca de 125.000 páginas por hora, então 5 milhões de páginas levam cerca de 40 horas de GPU.
Uma desenvolvedora em um marketplace de e-commerce do Leste Asiático
Ler fotos de produtos e rótulos em chinês, japonês e coreano
Use a variante multilíngue, que lê todos os cinco idiomas com um único modelo e sem etapa de detecção de idioma, e guarde as pontuações de confiança para sinalizar imagens de baixa qualidade; confira as imagens giradas, que têm o pior desempenho na tabela da NVIDIA.
Antes de decidir
- Configuração
- Clone o repositório do Hugging Face com git-lfs, instale o PyTorch compatível com o seu toolkit CUDA e depois pip install --no-build-isolation em Python 3.12; ou rode o exemplo de Docker Compose com o NVIDIA Container Toolkit.
- Integrações
- API Python nemotron_ocr com modos só de detector e sem a etapa relacional; endpoint hospedado em build.nvidia.com; contêiner NIM no NGC como parte do NeMo Retriever.
- Dados e privacidade
- NVIDIA Open Model License, uso comercial permitido; execuções auto-hospedadas mantêm as imagens locais. O teste hospedado é regido pelos NVIDIA API Trial Terms of Service.
- Custo em escala
- 34,7 páginas por segundo (multilíngue) ou 40,7 (inglês) em uma A100 no pipeline em lote da NVIDIA; o modo só de detector usa cerca de 37% menos memória de GPU. O preço de produção do NIM não é publicado na página do modelo.
- Limites
- Só Linux amd64 com GPUs NVIDIA Ampere ou mais recentes; exatamente Python 3.12; imagens inline hospedadas precisam ter menos de 180.000 caracteres em base64; as sequências do reconhecedor têm limite de 128 caracteres.
O que é bom
- 34,7 páginas por segundo em uma A100 com o modelo multilíngue
- 84M de parâmetros com agrupamento na ordem de leitura e pontuações de confiança
- Uso comercial permitido sob a NVIDIA Open Model License
- Conjunto de treino sintético de mais de 11 milhões de páginas liberado sob CC BY 4.0
O que não é
- Erro maior que o do PaddleOCR v5 no OmniDocBench na própria tabela da NVIDIA
- Sem saída de tabelas, fórmulas ou Markdown
- Só Linux e GPU NVIDIA; compila uma extensão CUDA na instalação
- Os ganhos multilíngues foram medidos sobretudo em páginas sintéticas do SynthDoG
Ideal para
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.
Alternativas ao Nemotron OCR v2
Nemotron OCR v2: perguntas frequentes
- Nemotron OCR v2 vale a pena?
- 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. Damos nota 3.8 de 5.
- Quanto custa Nemotron OCR v2?
- 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.
- Quais são as desvantagens de Nemotron OCR v2?
- Erro maior que o do PaddleOCR v5 no OmniDocBench na própria tabela da NVIDIA; sem saída de tabelas, fórmulas ou Markdown; só Linux e GPU NVIDIA; compila uma extensão CUDA na instalação; os ganhos multilíngues foram medidos sobretudo em páginas sintéticas do SynthDoG.
- Para quem Nemotron OCR v2 é indicado?
- 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.
- Quanto custa Nemotron OCR v2 para uma equipe ou em produção?
- 34,7 páginas por segundo (multilíngue) ou 40,7 (inglês) em uma A100 no pipeline em lote da NVIDIA; o modo só de detector usa cerca de 37% menos memória de GPU. O preço de produção do NIM não é publicado na página do modelo.
- Nemotron OCR v2 é seguro para dados da empresa?
- NVIDIA Open Model License, uso comercial permitido; execuções auto-hospedadas mantêm as imagens locais. O teste hospedado é regido pelos NVIDIA API Trial Terms of Service.
- Quais são as melhores alternativas ao Nemotron OCR v2?
- As alternativas mais próximas que analisamos são PP-OCRv6, PaddleOCR-VL-1.6, Surya OCR 2.5 e DeepSeek-OCR 2.
Respostas verificadas em 2 de nov. de 2026.