ABBYY Hot Folder reconoce recibos localmente y solo ocupa 25 MB de memoria

Leer recibos parece una tarea ideal para un agente de IA: recibe una fotografía, reconoce las líneas, extrae el comercio, la fecha, los artículos y el total, y listo. En la práctica, entre la fotografía y los gastos estructurados aparece un pequeño zoológico de imágenes inclinadas, papeles arrugados, tipografías extrañas, distintos idiomas y formatos de terminales de punto de venta. El autor del artículo probó este proceso con 1.500 recibos y llegó a una conclusión incómoda pero útil: un modelo nuevo todavía no equivale a un producto terminado.

El contraste más evidente surgió entre el flujo construido a medida y ABBYY Hot Folder, un componente de FineReader que el autor conoce desde 2008. Mientras las herramientas modernas exigen conectar varios modelos y bibliotecas, Hot Folder se limita a supervisar una carpeta, preparar las imágenes, ejecutar el OCR y guardar el resultado. Según las observaciones del autor, el programa ocupa alrededor de 25 MB de memoria en espera.

Por que reconocer el texto no basta

La primera versión de la capacidad del agente utilizaba docTR. En su interior funcionan dos modelos: uno localiza las zonas con texto y el otro reconoce los caracteres. Sin embargo, todavía hay que convertir el resultado en líneas y colocarlas en el orden correcto. Para ello, el autor añadió bbox-align y, para enderezar documentos deformados, docuwarp.

Así quedó al descubierto un importante límite de ingeniería. El OCR puede identificar correctamente palabras aisladas y, aun así, equivocarse con la estructura del documento. Las coordenadas de los cuadros delimitadores a veces llegan en un orden inesperado, las líneas se ensamblan de forma incorrecta y algunas palabras aparecen reflejadas o invertidas. Con el hebreo, la tarea es más compleja: el texto principal se lee de derecha a izquierda, mientras que los números incluidos en él se leen de izquierda a derecha. Por tanto, después del reconocimiento se necesita una capa de normalización independiente que entienda la dirección de escritura y la geometría del documento.

Y eso solo representa la mitad del trabajo. Los recibos de una misma cadena comercial pueden diferir en la ubicación de la fecha, el número de sucursal, los descuentos y los impuestos. El nombre de la tienda puede ser una imagen; un producto, una línea sin etiqueta; y un mismo SKU puede corresponder a varios artículos. Por eso, un esquema universal se rompe enseguida. Un LLM facilita la extracción de campos de un texto heterogéneo, pero no elimina la necesidad de verificar los totales, las fechas y las líneas de productos.

Lo que revelo Xiaomi-OCR

El siguiente intento utilizó Xiaomi-OCR-0, ejecutado localmente mediante llama.cpp en un portátil con 24 GB de RAM y aproximadamente 0,5 GB de VRAM. El modelo se cargaba bajo demanda y se descargaba después del procesamiento para no ocupar memoria de forma permanente. El reconocimiento de un recibo de prueba con diez artículos tardó unos 30 segundos.

El resultado fue bueno con imágenes nítidas y rectas. En recibos borrosos, el modelo perdía fragmentos, en ocasiones pasaba a utilizar caracteres chinos y tenía dificultades con la escritura Sütterlin. El texto en ruso también mostró un funcionamiento inestable en la configuración del autor. Esto no vuelve inútil al modelo, pero sí muestra el precio de la ejecución local: hacen falta un conjunto de pruebas, una versión reproducible del modelo y un escenario de respaldo explícito.

Que elegir para un sistema de produccion

Para un equipo con Windows donde una licencia de pago sea aceptable, Hot Folder sigue siendo una base de referencia sólida. Realiza rápidamente la preparación de imágenes y el OCR, mientras que el agente puede encargarse de analizar los campos, categorizar los gastos y validarlos. Si importan el código abierto, la portabilidad y el control total de los datos, docTR o Xiaomi-OCR con posprocesamiento propio ofrecen más libertad, pero requieren mucho más trabajo de ingeniería.

La conclusión práctica es sencilla: no empiece eligiendo un modelo de moda, sino reuniendo un conjunto de recibos reales y definiendo métricas. Mida la cobertura de las líneas, la precisión de los totales, el tiempo de procesamiento y la proporción de documentos enviados a revisión manual. Y mantenga siempre una herramienta sencilla y lista para usar como punto de control. A veces, el mejor agente es el que lleva quince años supervisando silenciosamente una carpeta y realizando una sola tarea sin sorpresas.