La bifurcación del OCR: dos caminos para leer cien páginas de una sola vez
Eres ingeniero de datos en una consultora. Sobre la mesa tienes un informe sectorial escaneado de 200 páginas — con tablas, gráficos, diseño a varias columnas y docenas de páginas con anotaciones manuscritas. La tarea es clara: convertir ese informe en datos estructurados e incorporarlo al pipeline de análisis.
¿Qué habrías hecho hace unos años? Escribir un script, trocear el PDF en 200 imágenes, pasarlas una a una por el motor OCR y luego pegar los 200 fragmentos de texto — probablemente perdiendo por el camino los encabezados de las tablas que cruzan páginas, desordenando el orden de lectura de las columnas y partiendo frases justo en el borde del corte.
El 23 de junio de 2026, la portada de Hacker News mostró dos publicaciones simultáneas: Unlimited OCR de Baidu (428 points) y OCR 4 de Mistral (420 points). Dos cosas que coincidieron el mismo día apuntando a la misma señal: ha llegado la era del OCR para documentos largos. Pero la forma de llegar fue completamente distinta en cada caso.
Un viejo problema: ¿por qué es tan difícil el OCR de documentos largos?
El OCR en sí no es un problema nuevo. Tesseract lleva cuatro décadas existiendo, y las APIs de reconocimiento de documentos de los proveedores cloud llevan años en el mercado. Pero todas estas soluciones se estrellan contra el mismo muro cuando se enfrentan a documentos largos: la explosión de la KV cache.
La idea general de usar modelos de lenguaje grandes para OCR es más o menos esta: codificar la imagen del documento en una secuencia de tokens visuales y hacer que el LLM «lea» el texto token a token. Cada token generado obliga al modelo a revisar el estado de todos los tokens anteriores — ese estado se almacena en una estructura llamada KV cache. Cuanto más largo es el documento, más contenido se genera, y la KV cache crece linealmente O(N) hasta que la memoria de vídeo colapsa.
La respuesta estándar de la industria a este problema es precisamente el «trocear y pegar» que mencionábamos antes: dividir el documento largo en páginas individuales, procesarlas una a una y usar un scheduler externo para orquestar el flujo. El comentario de robotswantdata en la discusión de Unlimited OCR fue muy preciso: «los desarrolladores se ven obligados a escribir código sucio que trocea los PDFs en páginas individuales, las procesa una por una y vuelve a pegar el texto (janky code that chops PDFs into individual pages, processes them one by one, and glues the text back together)».
Esto funciona, pero no es verdadera comprensión de documentos largos. Se pierde el contexto entre páginas, las tablas quedan destrozadas, el orden de lectura se desordena — todo esto es el precio de los «parches de ingeniería».
El camino de Baidu: comprimir la KV cache a constante con R-SWA
La innovación central de Unlimited OCR de Baidu se llama Reference Sliding Window Attention (R-SWA), un mecanismo de atención que comprime la KV cache de O(N) a O(1).
Sin fórmulas, con intuición.
Imagina que estás copiando un libro. Tienes el original delante (Reference) y vas escribiendo la copia (Generation). No necesitas releer todo lo que ya has copiado cada vez que escribes una palabra — solo necesitas echar un vistazo de vez en cuando a las últimas líneas que has escrito para confirmar que no te has saltado nada. El original siempre está ante tus ojos, no se difumina, no desaparece.
Eso es exactamente lo que hace R-SWA. Divide la vía de atención en dos:
- Vía Global Reference: cada token generado siempre atiende a todos los tokens visuales (la imagen del documento) y al prompt — el original siempre está nítido, no se pierde el contexto entre páginas.
- Vía Local Generation: cada token generado solo atiende a los últimos 128 tokens generados — la memoria a corto plazo solo necesita una ventana deslizante; los estados de los tokens antiguos se pueden olvidar sin riesgo.
El detalle clave del diseño es que los tokens visuales no participan en la «actualización de estado». Solo se leen, no se modifican. Esto evita un defecto clásico de la atención por ventana deslizante: que las características visuales se vayan «difuminando» progresivamente con las actualizaciones de estado, degradando la precisión del reconocimiento.
El resultado es que la KV cache se mantiene constante durante todo el proceso de decodificación. Metes un PDF de 40 páginas al modelo, una sola inferencia lo lee entero — sin trocear, sin scheduler externo, sin escribir ese «código sucio de unir páginas por número».
Técnicamente, Unlimited OCR toma DeepSeek OCR como línea base, conservando la alta tasa de compresión 16× de su DeepEncoder, pero reemplazando todas las capas de atención del LLM decodificador por R-SWA. El modelo tiene 3B de parámetros y solo activa 500M en inferencia (arquitectura MoE). Sobre OmniDocBench v1.5 obtiene una puntuación compuesta del 93%, superando en 6 puntos a la línea base de DeepSeek OCR.
El paper está en arXiv, el código en GitHub (licencia MIT) y los pesos del modelo en HuggingFace y ModelScope. El camino académico clásico: publicar paper, liberar código, pesos abiertos, dejar que la comunidad lo extienda.
El camino de Mistral: definir la inteligencia documental con una solución de producto
Mistral lanzó OCR 4 el mismo día, tras un año desde la última actualización de su línea OCR.
La promesa de OCR 4 es la completitud de la entrega de ingeniería. Eleva el OCR de «extraer texto» a «comprender la estructura del documento»: la salida no es solo texto, incluye bounding box (localización de cada bloque de texto en la página), block classification (clasificación de títulos, tablas, fórmulas, zonas de firma) e inline confidence score (confianza a nivel de carácter o palabra).
Soporta 170 idiomas y 10 familias lingüísticas. Se despliega en auto-hosting con un solo contenedor. Sobre OlmOCRBench obtiene 85,20 puntos, con una tasa de victoria del 72% en pruebas de preferencia humana.
Por cómo lo posiciona Mistral, OCR 4 es un «componente de ingesta» dentro de su pipeline de inteligencia documental — se integra con el Search Toolkit para búsqueda empresarial, RAG y recuperación por dominio. El bounding box permite resaltar los resultados en el documento original; la puntuación de confianza alimenta flujos de revisión humana; la salida de bloques estructurados hace que los pipelines de datos posteriores sean más fiables.
Código cerrado, API comercial, pago por uso — el camino clásico de una empresa de producto.
La deriva de los comentarios en HN: ¿son las direcciones manuscritas el verdadero milagro del OCR?
La sección de comentarios de Mistral OCR 4 en HN dio un giro interesante. El comentario más votado, de ericyd:
«Siempre he pensado que el Servicio Postal de Estados Unidos es un milagro tecnológico. Son capaces de reconocer y enrutar miles de millones de envíos con direcciones escritas de forma extremadamente no estándar — una misma dirección puede escribirse de varias formas…»
A continuación, idoubtit relató una historia aún más extrema: su padre recibió en los años 70 una carta desde Argelia con solo tres palabras en el sobre — su nombre, la ciudad «Créteil» y «France». Sin internet, sin base de datos central, el sistema postal logró entregarla.
Desde nuestro punto de vista, estas historias mantienen una tensión sutil con el lanzamiento de Mistral OCR 4. Recuerdan a quienes trabajan en este campo que el objetivo último del OCR son esas tareas de reconocimiento del mundo real, extremadamente no estandarizadas y profundamente dependientes del contexto. El enrutamiento de direcciones manuscritas quizá fue el primer «OCR de documentos largos» — solo que su «documento» era un sobre y su «modelo» era la memoria que el cartero tenía de su barrio.
La bifurcación de los dos caminos: dimensiones de la elección
En nuestra opinión, Unlimited OCR de Baidu y OCR 4 de Mistral representan dos filosofías de entrega diferentes dentro de la misma carrera.
Quien elija el camino de Baidu obtiene: un paper que se puede leer, un repositorio de código que se puede modificar, un mecanismo de atención universal que se puede trasladar a otras tareas (el paper menciona ASR y traducción). El coste es tener que desplegar, ajustar parámetros y resolver los problemas de ingeniería por cuenta propia. Adecuado para equipos con capacidad de ingeniería, investigación académica o escenarios que requieran fine-tuning propio.
Quien elija el camino de Mistral obtiene: un endpoint de API, salida JSON estructurada, un pipeline de inteligencia documental listo para usar. El coste es no ver los pesos del modelo, no poder modificar la lógica interna y pagar por token. Adecuado para despliegue empresarial, integración rápida y escenarios de producción que necesiten bounding box y puntuación de confianza.
No son mutuamente excluyentes. El pipeline documental de una misma empresa podría usar ambos a la vez: optimizar el procesamiento de documentos largos con la idea de Unlimited OCR y luego usar la salida estructurada de OCR 4 para localización y recuperación posteriores.
El verdadero punto de inflexión: de «poder leer» a «poder leer de una sola vez»
Sea cual sea el camino elegido, el 23 de junio de 2026 merece ser recordado. No porque dos productos coincidieran en la portada de HN — eso es solo la superficie. Sino porque el campo del OCR cruzó formalmente una línea: de «apenas usable» a «parseo de documentos largos sin entrenamiento previo».
Hace un año, que un modelo leyera 40 páginas escaneadas de una sola vez era una fantasía. Hoy es el punto de partida compartido de dos rutas técnicas distintas. R-SWA demostró que la innovación matemática sobre los mecanismos de atención puede abrir nuevos espacios de posibilidad; OCR 4 demostró que el pulido de ingeniería sobre la salida estructurada puede integrar el OCR en pipelines de producción reales.
Para aquel ingeniero con el informe de 200 páginas delante, la respuesta ya no es «escribe un bucle for para trocear y pegar». Si usar el esquema R-SWA abierto o llamar a la API de Mistral, eso ya es otra historia.