A LlamaIndex, empresa responsável pela biblioteca com o mesmo nome e pelo serviço de documentos LlamaParse, apresentou a 22 de outubro o OCRia-1, um modelo de visão e linguagem que converte páginas de documentos em texto estruturado. Com 4 mil milhões de parâmetros, é pequeno para os padrões atuais, mas a empresa apresenta-o como o leitor mais rigoroso que testou em tabelas, gráficos e formatação, e ainda rápido o suficiente para tratar arquivos enormes com uma única GPU.
O número mais vistoso vem do ParseBench, um conjunto de testes com páginas empresariais de seguros, finanças e administração pública. Aí, o OCRia-1 obtém 87,4 pontos, contra 75,3 do LightOnOCR-3-4B, o segundo classificado na comparação da LlamaIndex, e 67,5 do Mistral OCR 4.1. As diferenças alargam-se em competências concretas: 85,1 na extração de dados de gráficos, face a 66,1 do concorrente mais próximo, e 83,4 na preservação de formatação como expoentes, texto riscado e caixas de seleção, face a 67,9. Convém sublinhar que o ParseBench foi criado por investigadores da própria LlamaIndex.
A empresa reivindica também o primeiro lugar em avaliações de tabelas de três referências externas: 92,9 na categoria de tabelas do olmOCR-bench, 84,1 nas 1820 tabelas multilingues do PulseBench-Tab e liderança nas duas categorias de tabelas longas do fr-bench-pdf2md. Algumas margens são curtas. Na pontuação global do olmOCR-bench, o OCRia-1 chega a 83,5, contra 82,3 do olmOCR-2, com 7B, e no fr-bench-pdf2md fica menos de um ponto à frente do LightOnOCR-3-4B.
Do ponto de vista técnico, trata-se de um ajuste fino do Qwen3.5-4B. O modelo devolve as páginas em Markdown, escreve as tabelas em HTML sem perder células fundidas nem cabeçalhos encaixados, transforma gráficos em tabelas com os valores de origem e transcreve fórmulas em LaTeX. Segundo o relatório técnico, o grosso do esforço foi para os dados: mais de 100 mil páginas que juntam documentos reais, conferidos com a camada de texto do PDF, e páginas sintéticas com respostas exatas para tabelas longas e formatação complexa. O treino combinou afinação supervisionada com aprendizagem por reforço baseada em recompensas verificáveis, calculadas à parte para tabelas, gráficos e formatação.
A velocidade é o outro argumento. A LlamaIndex diz que o modelo, tal como é servido, gera cerca de 4700 tokens por segundo num único pedido numa NVIDIA B200, quase nove vezes mais do que o modelo de base no vLLM padrão, graças a um gerador especulativo por difusão em blocos, quantização mista NVFP4 e FP8 e núcleos de cálculo próprios. Com 64 pedidos em simultâneo processa perto de dez páginas por segundo, o que o relatório traduz em cerca de 860 mil páginas por dia e por GPU.
Para os utilizadores, a mudança concreta acontece no LlamaParse, onde o OCRia-1 já funciona ao mesmo preço de antes. O impacto deverá sentir-se sobretudo em sistemas de pesquisa documental e agentes que trabalham com finanças e seguros, onde um valor colocado sob o cabeçalho errado gera mais à frente uma resposta segura, mas falsa.
Há limites ao que se pode confirmar por agora. O modelo só está acessível através do serviço da LlamaIndex; o relatório promete disponibilizar uma versão em breve, sem data nem licença. Todas as comparações foram feitas pela empresa e as maiores vantagens surgem num teste que ela própria concebeu, pelo que serão precisas avaliações independentes para saber até que ponto o OCRia-1 está realmente à frente.