LlamaIndex, éditeur de la bibliothèque du même nom et du service documentaire LlamaParse, a présenté le 22 octobre OCRia-1, un modèle vision-langage chargé de transformer des pages de documents en texte structuré. Avec 4 milliards de paramètres, il reste modeste au regard des standards actuels, mais l'entreprise le présente comme l'outil d'extraction le plus précis qu'elle ait testé sur les tableaux, les graphiques et la mise en forme, tout en étant assez rapide pour traiter d'immenses archives sur un seul GPU.
Le chiffre phare provient de ParseBench, un jeu d'évaluation composé de pages issues de l'assurance, de la finance et de l'administration. OCRia-1 y atteint 87,4 points, contre 75,3 pour LightOnOCR-3-4B, deuxième de la comparaison menée par LlamaIndex, et 67,5 pour Mistral OCR 4.1. L'écart se creuse sur certaines compétences : 85,1 pour l'extraction des données de graphiques, face à 66,1 pour le suivant, et 83,4 pour la conservation de la mise en forme, comme les exposants, le texte barré ou les cases à cocher, face à 67,9. Précision importante, ParseBench a été conçu par des chercheurs de LlamaIndex.
L'entreprise revendique aussi la première place sur les tableaux de trois référentiels extérieurs : 92,9 dans la catégorie tableaux d'olmOCR-bench, 84,1 sur les 1 820 tableaux multilingues de PulseBench-Tab et la tête des deux catégories de tableaux longs de fr-bench-pdf2md. Certaines marges restent minces. Au score global d'olmOCR-bench, OCRia-1 obtient 83,5 contre 82,3 pour olmOCR-2, un modèle de 7B, et sur fr-bench-pdf2md son avance sur LightOnOCR-3-4B tient en moins d'un point.
Sur le plan technique, il s'agit d'un affinage de Qwen3.5-4B. Le modèle restitue les pages en Markdown, code les tableaux en HTML en conservant cellules fusionnées et en-têtes imbriqués, convertit les graphiques en tableaux de leurs valeurs et transcrit les formules en LaTeX. D'après le rapport technique, l'essentiel du travail a porté sur les données : plus de 100 000 pages mêlant documents réels, vérifiés à l'aide de la couche texte des PDF, et pages synthétiques dont la vérité de terrain est connue avec exactitude pour les longs tableaux et la mise en forme riche. L'entraînement a associé un affinage supervisé à un apprentissage par renforcement fondé sur des récompenses vérifiables, notées séparément pour les tableaux, les graphiques et la mise en forme.
La vitesse constitue l'autre argument. Selon LlamaIndex, le modèle déployé produit environ 4 700 tokens par seconde pour une requête unique sur une NVIDIA B200, soit près de neuf fois plus que le modèle de base sous vLLM standard, grâce à un brouillon spéculatif par diffusion en blocs, à une quantification mixte NVFP4 et FP8 et à des noyaux de calcul maison. Avec 64 requêtes simultanées, il traite une dizaine de pages par seconde, ce qui représente d'après le rapport quelque 860 000 pages par jour et par GPU.
Pour les utilisateurs, le changement se concrétise dans LlamaParse, où OCRia-1 tourne désormais au même tarif qu'auparavant. L'enjeu concerne d'abord les chaînes de recherche documentaire et les agents qui travaillent sur des documents financiers ou d'assurance, où une valeur rangée sous la mauvaise colonne débouche plus loin sur une réponse assurée mais fausse.
Tout ne peut pas encore être vérifié. Le modèle n'est accessible que par le service hébergé de LlamaIndex ; le rapport annonce qu'une version sera proposée prochainement, sans date ni licence. Toutes les comparaisons ont été réalisées par l'entreprise et ses plus grosses avances apparaissent sur un banc d'essai qu'elle a elle-même créé : il faudra des évaluations indépendantes pour mesurer la réalité de cette avance.