O rei dos projetos de OCR do GitHub acabou de ser destronado, e de forma histórica. O Tesseract OCR — a tecnologia de referência que dominou o campo por quase quarenta anos — foi retirado do trono pelo código aberto chinês: o PaddleOCR, da Baidu, com mais de 73.300 stars, assumiu oficialmente a liderança no ranking global de OCR do GitHub, encerrando o longo monopólio do Tesseract. É a primeira vez que um projeto de código aberto chinês conquista a coroa global de stars nessa área fundamental.
E não é tudo: no Hugging Face, o PaddleOCR também ocupa o topo das categorias de OCR e parsing de documentos, e se tornou uma ferramenta essencial para desenvolvedores no mundo inteiro. A reação da comunidade de desenvolvedores foi imediata — uma mudança de “seguir” para “liderar” que revela algo maior: como a competição na era dos grandes modelos está sendo reescrita por projetos chineses de código aberto.
Superando o Google Tesseract: Um Novo Rei É Coroado
No mundo do OCR, o Tesseract foi uma existência marcante, cuja história abrange quatro décadas. Nascido em 1985 como um projeto de pesquisa da HP — quando o OCR ainda estava em sua infância e a necessidade central era o reconhecimento automatizado de documentos comerciais —, sua versão principal foi concluída em 1994, e um ano depois figurou entre os melhores motores do mundo nas avaliações de OCR organizadas pela UNLV, graças à sua precisão em textos impressos. Depois que as prioridades de negócio da HP mudaram, o desenvolvimento praticamente congelou a partir de 1996, até que a HP tornasse o Tesseract open source em 2005. O ponto de virada veio em 2006, quando o Google o incorporou ao seu ecossistema de código aberto: a equipe corrigiu bugs antigos, melhorou velocidade e compatibilidade e o levou através da fronteira dos algoritmos clássicos para o aprendizado profundo.
Mas a lei do mundo tecnológico é constante: não existem reis eternos, apenas inovação contínua. O PaddleOCR — derivado da linhagem do grande modelo ERNIE — foi quem liderou essa transformação. Nascido em 2020 como um modelo nativo de deep learning, ele surfeou a onda dos grandes modelos em 2023 para promover uma substituição geracional no campo: a iteração rápida do ERNIE elevou diretamente o teto de capacidades do PaddleOCR.
A Vantagem Técnica do PaddleOCR: Um Vê, o Outro Entende
O sistema funciona como uma dupla. Um modelo “vê”: a extração de texto de alta precisão retira palavras, tabelas e fórmulas dos documentos e entrega os ingredientes ao grande modelo. O outro “entende”: os avanços multimodais do ERNIE — compreensão visual, fusão entre modalidades, saída estruturada — processam essas informações e realimentam o PaddleOCR, permitindo que ele compreenda genuinamente a estrutura lógica de um documento. Essa sinergia impulsionou diretamente o crescimento explosivo por trás da contagem de stars.
O Salto: Um Modelo de 5 Milhões de Parâmetros Enfrentando Gigantes de Bilhões de Parâmetros
O PP-OCRv5 faz uma afirmação contraintuitiva: maior não é necessariamente melhor. Com apenas 5 milhões de parâmetros, supera gigantes de centenas de bilhões de parâmetros como o GPT-4o em escrita à mão, texto multilíngue e cenários naturais. A resposta está em uma estratégia sistemática de otimização “centrada em dados”. Em benchmarks internos de múltiplos cenários, a acurácia ponderada do PP-OCRv5 saltou de 53,0% (PP-OCRv4) para 80,1%; no OmniDocBench, o modelo de 5M alcançou uma distância média de edição normalizada de 0,067 — o melhor entre os modelos de OCR especializados.
Por Que Todos os Fornecedores de IA De Repente Estão Disputando o OCR
Trace um panorama do mundo da IA nos últimos seis meses e um padrão claro emerge: de gigantes a startups, a área de OCR explodiu por toda parte, dentro e fora da China. Por que tanta intensidade? Em uma palavra: dados. O estoque de texto público de alta qualidade disponível na internet está praticamente esgotado, e o treinamento de modelos enfrenta um déficit de dados. O consenso de trabalho da indústria: vastas reservas de informação valiosa continuam trancadas em suportes físicos — documentos, livros, contratos, planilhas, páginas escaneadas.
O OCR é a chave desse cofre. Esse oceano de informação não estruturada não pode ser compreendido nem utilizado diretamente pelos grandes modelos; ele precisa passar pelo OCR, que converte as palavras, estruturas de layout, tabelas e fórmulas dentro das imagens em texto eletrônico processável por máquinas. O OCR é agora a base do ecossistema de dados dos grandes modelos, os “olhos” através dos quais os agentes compreendem o mundo real, a chave que torna os grandes modelos mais inteligentes.
O destronamento também merece uma leitura mais atenta do que realmente mudou, porque o Tesseract não perdeu a coroa para um esforço de engenharia pura superior — ele a perdeu para uma mudança de categoria. A arquitetura do Tesseract assumia que o problema era reconhecimento: encontrar os glifos, retornar o texto. A era dos grandes modelos redefiniu o problema como compreensão: retornar o texto, a estrutura das tabelas, a ordem de leitura, as fórmulas em LaTeX, a semântica do layout — um JSON sobre o qual um modelo downstream possa raciocinar. O design de modelo duplo do PaddleOCR, combinado ao treinamento centrado em dados do PP-OCRv5, foi construído para esse problema redefinido, enquanto os quarenta anos de excelência acumulada do Tesseract foram otimizados para o problema antigo. A posição dominante em uma categoria tecnológica só protege você enquanto a categoria permanece imóvel.
Para profissionais que escolhem uma stack de OCR em 2026, o cálculo da decisão se inverteu em relação a uma década atrás. Antes, a pergunta era qual motor errava menos caracteres; agora é qual pipeline preserva a estrutura do documento de forma suficientemente boa para que o seu LLM downstream pare de alucinar com tabelas embaralhadas. Pequenos modelos especializados como o PP-OCRv5 mudam ainda mais a economia — com 5 milhões de parâmetros, eles rodam em hardware comum e celulares, transformando a inteligência documental em um recurso embarcado em vez de um item de cobrança de serviço em nuvem. E como o campo agora avança no ritmo dos lançamentos de modelos, as equipes que extraem mais valor são aquelas que tratam o OCR como uma camada viva de sua infraestrutura de dados — reavaliando benchmarks trimestralmente contra o OmniDocBench, realimentando seus piores documentos no fine-tuning e lembrando de que, na corrida para alimentar os grandes modelos, quem digere documentos mais rápido domina a maior mina de dados inexplorada.
Um Marco para o Código Aberto Chinês
A coroação do PaddleOCR entrega aos fornecedores chineses a posição de liderança na corrida do OCR, e reflete algo maior: a aceleração da recuperação do código aberto chinês em força geral e influência global. Da infraestrutura de base aos avanços de fronteira, os projetos chineses de código aberto vêm entregando desempenhos de classe mundial em um número cada vez maior de frentes. O OCR é apenas uma peça do quebra-cabeça — mas é a peça que tinha um rei de quarenta anos, e a coroa mudou de cabeça. Fonte: QbitAI.
