Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarRaft→ original

HunyuanOCR da Tencent, com 1 bilhão de parâmetros, lê 70% dos scans sem correções, mas confunde tabelas

HunyuanOCR é um modelo da Tencent com 1 bilhão de parâmetros que converte scans de documentos em texto e roda em hardware comum. O Data Scientist Artióm testou o modelo em documentos russos e constatou que cerca de 70% das páginas ficaram utilizáveis sem edição manual, embora, em algumas tabelas, o modelo às vezes troque células de lugar. Vale usá-lo para scans impressos e tabelas simples; para manuscritos, será preciso outro modelo.

Processado por IA de Raft; editado por Hamidun News
HunyuanOCR da Tencent, com 1 bilhão de parâmetros, lê 70% dos scans sem correções, mas confunde tabelas
Fonte: Raft. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalRaft ↗
Editor-chefe
Dado-chave #1A subida via vLLM levou de 1 a 2 horas por causa de conflitos de versão na biblioteca transformers
Dado-chave #2Prompts em chinês geram menos loops e alucinações do que prompts em inglês
Peça as tabelas em HTMLo Markdown desloca as células

Imagine que você precise transformar uma pilha de contratos e planilhas escaneados em texto que possa ser pesquisado e analisado. Para isso existem os modelos de OCR, ou seja, redes neurais que reconhecem texto em imagens. O HunyuanOCR, da Tencent, é um deles: tem cerca de 1 bilhão de parâmetros (para comparação, os modelos gerais gigantes são dezenas ou centenas de vezes maiores), por isso pode ser executado localmente, em hardware comum.

O Data Scientist Artióm testou o modelo em documentos em russo e chegou a esta conclusão: aproximadamente 70% das páginas saem utilizáveis sem edição manual, mas as tabelas às vezes são interpretadas de forma errada, e o texto manuscrito quase não é lido. São testes pessoais do autor, e não um benchmark oficial; mesmo assim, são úteis porque mostram o modelo fora das afirmações grandiosas sobre "SOTA".

Primeiro, a batalha com o ambiente

O primeiro problema não tem a ver com a qualidade do reconhecimento. O modelo nem sempre sobe de cara: é preciso ajustar as versões das bibliotecas, principalmente transformers e pacotes relacionados, e a execução básica exige várias tentativas. Isso fica especialmente evidente com o vLLM, que formalmente é considerado uma das formas mais práticas de implantação. Segundo o autor, a primeira geração correta, sem erros, levou cerca de 1 a 2 horas. Conclusão prática: reserve tempo para configurar o ambiente manualmente de acordo com a sua infraestrutura, caso contrário, a dor de cabeça com o ambiente vai superar o trabalho com o OCR em si.

O prompt resolve quase tudo

Segundo as observações do autor, o prompt responde por cerca de 80% da estabilidade do modelo. Ele entende inglês, mas funciona de forma mais uniforme com instruções formuladas em chinês: inventa menos texto e tem menor tendência a entrar em loop. Uma instrução típica pede para preservar quebras de linha, parágrafos e a ordem de leitura, não criar tabelas vazias, não repetir o mesmo trecho e devolver apenas o resultado do reconhecimento. Se parte do texto não puder ser lida, é melhor orientar o modelo a deixar o espaço em branco, em vez de adivinhar.

A segunda alavanca é o formato de saída. O Markdown em tabelas costuma desalinhar, enquanto o HTML preserva melhor a geometria das células. Se você precisa de tabelas, peça HTML.

O principal risco técnico é o loop infinito: no fim do documento, o modelo começa a repetir o mesmo trecho. Isso é parcialmente contornado com uma formulação precisa da tarefa no prompt. Se uma página leva tempo demais para ser processada, então o modelo entrou em loop ou há de fato uma quantidade enorme de texto ali. O autor recomenda interromper essa geração à força, por timeout, ou limitar o número de tokens gerados.

E a qualidade?

A velocidade é o ponto forte: as páginas são processadas surpreendentemente rápido, o que é um diferencial importante para pipelines locais com baixa latência. Em documentos impressos, o resultado é estável, mesmo com ruído de fundo, carimbos e scans imperfeitos. Erros pontuais de digitação acontecem, mas, para análise do documento, extração de dados-chave ou elaboração de checklists, raramente isso é crítico.

Com tabelas, o desempenho é pior. O texto dentro das células é lido muito bem, mas a geometria às vezes é interpretada de forma incorreta: o modelo confunde coordenadas e troca células de lugar. Em tabelas padrão, sem layout complexo, o resultado é utilizável. No exemplo de uma planilha de reforma residencial, em um caso a estrutura ficou quase perfeita, enquanto em outro, com diagramação não convencional, a tabela virou uma lista numerada.

Outros pontos fracos:

  • o modelo às vezes deixa de fora a parte inferior da página, mais comumente os últimos parágrafos de documentos longos; um leve aumento da imagem ou o recorte das margens ajuda;
  • o manuscrito em russo quase não é reconhecido: em uma prova escolar de história, os números e as datas no geral foram mantidos, embora 1905–1907 tenha virado 1905–1904, e as respostas longas se transformaram em um conjunto incoerente de palavras;
  • por outro lado, o modelo lê bem os carimbos nos documentos.

Como encarar as conclusões

O autor deixa claro que seus números vieram de testes pessoais com três tipos de dados: documentos impressos, manuscrito em russo e tabelas com estrutura complexa. Trata-se de uma avaliação do progresso após o ajuste de prompts e parâmetros, e não de um benchmark oficial. A amostra é pequena, e no seu caso os resultados podem ser diferentes.

A conclusão para os desenvolvedores é a seguinte. O HunyuanOCR serve para scans impressos, pipelines locais rápidos e tabelas simples, desde que você esteja disposto a gastar tempo com a instalação, escolher um prompt em chinês, pedir HTML e definir um timeout contra loops. Para manuscritos, layouts complexos de tabelas e tarefas em que não se pode perder nenhum parágrafo, será preciso outro modelo ou revisão manual.

História

Perguntas frequentes sobre a notícia

E a qualidade?

A velocidade é o ponto forte: as páginas são processadas surpreendentemente rápido, o que é um diferencial importante para pipelines locais com baixa latência. Em documentos impressos, o resultado é estável, mesmo com ruído de fundo, carimbos e scans imperfeitos. Erros pontuais de digitação acontecem, mas, para análise do documento, extração de dados-chave ou elaboração de checklists, raramente isso é crítico. Com tabelas, o desempenho é pior.

O que se sabe sobre Primeiro, a batalha com o ambiente?

O primeiro problema não tem a ver com a qualidade do reconhecimento. O modelo nem sempre sobe de cara: é preciso ajustar as versões das bibliotecas, principalmente transformers e pacotes relacionados, e a execução básica exige várias tentativas. Isso fica especialmente evidente com o vLLM, que formalmente é considerado uma das formas mais práticas de implantação. Segundo o autor, a primeira geração correta, sem erros, levou cerca de 1 a 2 horas.

O que se sabe sobre O prompt resolve quase tudo?

Segundo as observações do autor, o prompt responde por cerca de 80% da estabilidade do modelo. Ele entende inglês, mas funciona de forma mais uniforme com instruções formuladas em chinês: inventa menos texto e tem menor tendência a entrar em loop. Uma instrução típica pede para preservar quebras de linha, parágrafos e a ordem de leitura, não criar tabelas vazias, não repetir o mesmo trecho e devolver apenas o resultado do reconhecimento.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…