Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarRaft→ original

HunyuanOCR de Tencent, con 1.000 millones de parámetros, lee el 70% de los escaneos sin correcciones, pero confunde las tablas

HunyuanOCR es un modelo de Tencent de 1.000 millones de parámetros que convierte escaneos de documentos en texto y funciona con hardware convencional. El Data Scientist Artiom lo probó con documentos en ruso: cerca del 70% de las páginas salieron aprovechables sin corrección manual, pero en las tablas a veces intercambia celdas de lugar. Conviene usarlo para escaneos impresos y tablas sencillas; para manuscritos hace falta otro modelo.

Procesado por IA desde Raft; editado por Hamidun News
HunyuanOCR de Tencent, con 1.000 millones de parámetros, lee el 70% de los escaneos sin correcciones, pero confunde las tablas
Fuente: Raft. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalRaft ↗
Editor jefe
Dato clave #1Ponerlo en marcha con vLLM llevó 1-2 horas por conflictos de versiones de transformers
Dato clave #2Los prompts en chino provocan menos bucles e invenciones que los prompts en inglés
Para las tablas es mejor pedir HTMLMarkdown desplaza las celdas

Imagine que necesita convertir una pila de contratos y planillas escaneados en texto en el que se pueda buscar y que se pueda analizar. Para eso sirven los modelos OCR, es decir, redes neuronales que reconocen texto en imágenes. HunyuanOCR, de Tencent, es uno de ellos: tiene alrededor de 1.

000 millones de parámetros (en comparación, los modelos universales gigantes son decenas y cientos de veces mayores), de modo que puede ejecutarse en local, con hardware convencional. El Data Scientist Artiom lo probó con documentos en ruso y llegó a esta conclusión: aproximadamente el 70% de las páginas salen aprovechables sin corrección manual, pero a veces confunde las tablas y casi no lee texto manuscrito. Son pruebas personales del autor, no un benchmark oficial, y aun así resultan útiles porque muestran el modelo más allá de las llamativas declaraciones sobre «SOTA».

Primero, la batalla con el entorno

El primer problema no tiene que ver con la calidad del reconocimiento. El modelo no siempre arranca de entrada: hay que ajustar las versiones de las bibliotecas, sobre todo transformers y los paquetes relacionados, y el arranque básico requiere varios intentos. Se nota especialmente con vLLM, que formalmente se considera una de las formas más cómodas de desplegarlo. Según el autor, la primera generación correcta y sin errores llevó cerca de 1-2 horas. La conclusión práctica: reserve tiempo para configurar el entorno a mano según su propia configuración, o se perderá más en peleas con el entorno que en el trabajo de OCR en sí.

El prompt decide casi todo

Según las observaciones del autor, el prompt explica aproximadamente el 80% del funcionamiento estable del modelo. Entiende el inglés, pero rinde con más regularidad con formulaciones en su chino nativo: inventa texto con menos frecuencia y tiende menos a entrar en bucle. Una instrucción típica pide conservar los saltos de línea, los párrafos y el orden de lectura, no crear tablas vacías, no repetir un mismo fragmento y devolver únicamente el resultado del reconocimiento. Si una parte del texto no se puede descifrar, es mejor ordenar al modelo que deje el espacio en blanco en lugar de adivinar.

La segunda palanca es el formato de salida. Markdown suele desplazar el contenido de las tablas, mientras que HTML conserva mejor la geometría de las celdas. Si necesita tablas, pida HTML.

El principal riesgo técnico es el bucle infinito: al final del documento, el modelo empieza a repetir el mismo fragmento. En parte se mitiga con una formulación precisa de la tarea en el prompt. Si una página tarda demasiado en procesarse, el modelo ha entrado en bucle o realmente hay muchísimo texto. El autor aconseja interrumpir esa generación por timeout o limitar el número de tokens generados.

Qué tal la calidad

La velocidad es su punto fuerte: las páginas se procesan con una rapidez inesperada, y para los pipelines locales de baja latencia es una ventaja seria. En documentos impresos el resultado es estable, incluso con ruido de fondo, sellos y escaneos imperfectos. Se producen pequeñas erratas en las palabras, pero para analizar el documento, extraer datos clave o armar una lista de verificación rara vez es crítico.

Con las tablas la cosa empeora. El texto dentro de las celdas lo lee muy bien, pero a veces interpreta mal la geometría: confunde las coordenadas e intercambia celdas de lugar. En tablas estándar, sin maquetación compleja, el resultado es utilizable. En el ejemplo de una planilla de reforma de una casa, en un caso la estructura salió casi perfecta y en otro, con una maquetación no estándar, la tabla se convirtió en una lista numerada.

Otros puntos débiles:

  • el modelo a veces omite la parte inferior de la página, sobre todo los últimos párrafos de documentos largos; ayuda ampliar un poco la imagen o recortar los márgenes;
  • el ruso manuscrito casi no se reconoce: en un trabajo escolar de historia, las cifras y las fechas se conservaron en general, aunque 1905–1907 pasó a ser 1905–1904, y las respuestas largas se convirtieron en un conjunto incoherente de palabras;
  • los sellos de los documentos, en cambio, los lee bien.

Cómo tomarse las conclusiones

El autor aclara de forma explícita que sus cifras proceden de pruebas personales con tres tipos de datos: documentos impresos, ruso manuscrito y tablas con estructura compleja. Es una valoración del progreso tras ajustar prompts y parámetros, no un benchmark oficial. La muestra es pequeña y con sus documentos el resultado puede ser distinto.

La conclusión para los desarrolladores es esta. HunyuanOCR sirve para escaneos impresos, pipelines locales rápidos y tablas sencillas, siempre que esté dispuesto a dedicar tiempo a la instalación, a elaborar un prompt en chino, a pedir HTML y a fijar un timeout contra los bucles. Para manuscritos, maquetaciones de tablas complejas y tareas en las que no se puede perder ni un solo párrafo, hace falta otro modelo o una revisión manual.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Primero, la batalla con el entorno?

El primer problema no tiene que ver con la calidad del reconocimiento. El modelo no siempre arranca de entrada: hay que ajustar las versiones de las bibliotecas, sobre todo transformers y los paquetes relacionados, y el arranque básico requiere varios intentos. Se nota especialmente con vLLM, que formalmente se considera una de las formas más cómodas de desplegarlo. Según el autor, la primera generación correcta y sin errores llevó cerca de 1-2 horas.

¿Qué se sabe sobre El prompt decide casi todo?

Según las observaciones del autor, el prompt explica aproximadamente el 80% del funcionamiento estable del modelo. Entiende el inglés, pero rinde con más regularidad con formulaciones en su chino nativo: inventa texto con menos frecuencia y tiende menos a entrar en bucle. Una instrucción típica pide conservar los saltos de línea, los párrafos y el orden de lectura, no crear tablas vacías, no repetir un mismo fragmento y devolver únicamente el resultado del reconocimiento.

¿Qué se sabe sobre Qué tal la calidad?

La velocidad es su punto fuerte: las páginas se procesan con una rapidez inesperada, y para los pipelines locales de baja latencia es una ventaja seria. En documentos impresos el resultado es estable, incluso con ruido de fondo, sellos y escaneos imperfectos. Se producen pequeñas erratas en las palabras, pero para analizar el documento, extraer datos clave o armar una lista de verificación rara vez es crítico. Con las tablas la cosa empeora.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…