OCR Benchmark: Extracción de texto / Precisión de captura
OCR la precisión es crítica para muchas tareas de procesamiento de documentos, y los LLM multimodales SOTA ahora ofrecen una alternativa al OCR. Evaluamos los principales servicios de OCR en DeltOCR Bench para identificar sus niveles de precisión en diferentes tipos de documentos:
- Escritura a mano: GPT-5 (95%) destaca como el mejor rendimiento, seguido de cerca por olmOCR-2-7B (94%) y Gemini 2.5 Pro (93%).
- Medios impresos: Gemini 2.5 Pro, Google Vision y Claude Sonnet 4.5 lideran esta categoría con la puntuación más alta (85%)
- Texto impreso: Microsoft Azure Document Intelligence API lidera con una puntuación del 96%.
OCR Benchmark: DeltOCR Bench
Los nombres completos de los productos anteriores y sus versiones en uso a noviembre de 2025 se enumeran a continuación. Nuestro estudio cubre tanto servicios API de fácil acceso como soluciones que requieren infraestructura local, comparando modelos clave en el mercado en un entorno de prueba profundo.
- Escritura a mano:
- Rango de precisión: Un amplio rango del 46% al 95%.
- Aspectos destacados: GPT-5 (95%), olmOCR-2-7B (94%) y Gemini 2.5 Pro (93%) exhiben el mayor rendimiento. Estas altas puntuaciones demuestran el potencial de precisión extraordinario de los LLM multimodales, como GPT-5 y Gemini 2.5 Pro, en este dominio.
- Recomendación: Para reconocer escritura a mano altamente compleja, se recomiendan las principales soluciones de LLM como GPT-5 o Gemini 2.5 Pro debido a su accesibilidad mediante API y facilidad de integración.
- Medios impresos:
- Rango de precisión: Un rango del 54% al 85%.
- Aspectos destacados: Soluciones como Gemini 2.5 Pro, Google Vision y Claude Sonnet 4.5 comparten la puntuación más alta (85%). Esta categoría es altamente competitiva entre LLM y servicios tradicionales de OCR basados en la nube (Azure, Dots OCR, Amazon Textract). GPT-5 se queda atrás de otros LLM líderes en esta categoría (77%).
- Recomendación: Para documentos con diseños visuales complejos (múltiples fuentes, baja resolución, etc.), se recomiendan LLM como Gemini 2.5 Pro, o servicios basados en la nube como Google Vision, o Microsoft Azure Document Intelligence API.
- Texto impreso:
- Rango de precisión: Un rango alto del 55% al 96%, aunque la mayoría de las soluciones líderes lograron puntuaciones del 94% y superiores.
- Aspectos destacados: Microsoft Azure Document Intelligence API (96%) toma la delantera, seguido de cerca por soluciones como GPT-5, Gemini 2.5 Pro, Gemini 3 Pro Preview, Google Vision y Amazon Textract, todas con una puntuación del 95%. Esta categoría es un área donde todas las soluciones SOTA alcanzan niveles extremadamente altos de precisión.
- Recomendación: Para textos impresos simples que requieren alta precisión, se pueden utilizar con confianza soluciones establecidas en la nube como Microsoft Azure Document Intelligence API o Google Vision, o LLM con alta puntuación (Gemini/GPT-5).
API Solutions
Los siguientes modelos se incluyeron en nuestra lista de evaluación debido tanto a su facilidad de acceso como a su rendimiento.
- Claude Sonnet 4.5
- OpenAI GPT-5
- Gemini 2.5 Pro
- Gemini 3 Pro Preview
- Amazon Textract API
- Google Cloud Vision API
- Microsoft Azure Document Intelligence API
- Moondream OCR
- Mistral OCR 3
- Mistral OCR 2
Microsoft Azure Document Intelligence API es parte de la familia de servicios cognitivos de Azure.
Modelos implementados localmente (en sitio)
Probar estos modelos es más desafiante que las soluciones API debido a la instalación, la gestión de dependencias y los requisitos de hardware. Todas las pruebas locales se realizaron en un entorno de servidor dedicado.
- olmOCR-2-7B
- PaddleOCR-VL
- Nanonets-OCR2-3B
- Deepseek-OCR
- Dots-OCR
Calculamos la precisión de los resultados como la puntuación de similitud del coseno para texto impreso, medios impresos y escritura a mano. Cada puntuación visible en el gráfico representa el rendimiento del modelo correspondiente dentro de esa categoría.
Durante nuestras pruebas, observamos que el modelo Nanonets-OCR2-3B ofreció el rendimiento más débil en la evaluación, logrando las puntuaciones más bajas. En general, descubrimos que algunos modelos tuvieron dificultades particularmente con la escritura a mano cursiva y diseños de texto desorganizados (orden de líneas mixto, capitalización inconsistente). Problemas de rendimiento similares también surgieron en la categoría de medios impresos, especialmente con imágenes de baja resolución y aquellas que contienen múltiples estilos de fuente.
Conjunto de datos
Utilizamos un total de 300 documentos en esta evaluación, con 100 documentos por categoría en 3 categorías:
Texto impreso incluye cartas, capturas de pantalla de sitios web, correos electrónicos, informes, etc.
Medios impresos incluye carteles, portadas de libros, anuncios, etc. Buscamos ver el éxito de las herramientas de OCR en diferentes fuentes y colocaciones de texto.
Archivos en estas 2 categorías se obtuvieron de la Biblioteca de Documentos de la Industria (IDL).1
Escritura a mano: En la categoría de escritura a mano, como algunos documentos de IDL no eran fáciles de leer, nuestro equipo generó documentos similares a los documentos de IDL. Preparamos manualmente muestras de escritura a mano legible por humanos. Todas las muestras estaban en un estilo de escritura a mano cursiva.
Metodología de DeltOCR Bench
Esta evaluación se centra en la precisión de extracción de texto de los productos.
El preprocesamiento se realiza solo para la categoría de escritura a mano. Tomamos fotos de documentos escritos a mano con nuestros teléfonos inteligentes y usamos una aplicación de escáner móvil:
- Las imágenes se convirtieron a blanco y negro
- Se aumentó el contraste y se eliminó el fondo.
OCR: Ejecutamos todos los productos en el mismo conjunto de datos y generamos salidas de texto como archivos de texto (.txt) sin formato. Luego, preparamos manualmente la verdad fundamental que incluye el texto correcto en todos estos archivos. La verdad fundamental fue verificada dos veces por humanos.
Comparación: Medimos la precisión de las soluciones de OCR comparando sus salidas con los textos originales. Para este propósito, utilizamos el framework Sentence-BERT (SBERT) para calcular las puntuaciones de similitud del coseno. En la evaluación, utilizamos el modelo de parafraseo multilingüe de alto rendimiento, MiniLM-L12-v2, para calcular la puntuación de similitud entre la salida de cada producto y los textos de verdad fundamental. Esta puntuación representa el nivel de precisión del texto.
La función de similitud utiliza una métrica de distancia del coseno para calcular la similitud entre dos textos. No utilizamos la distancia de Levenshtein para esta evaluación porque diferentes productos generan textos en diferentes órdenes.2
Aunque la distancia de Levenshtein tiene en cuenta estas diferencias, solo estamos buscando qué tan preciso es el texto detectado, pero no dónde se encuentra. La distancia del coseno tiene penalizaciones insignificantes para tales casos, por lo que decidimos usarla en esta evaluación.
Selección de productos
Hay muchos productos de OCR en el mercado. Necesitamos centrarnos en aquellos que pueden generar resultados de texto sin formato. Los productos para esta evaluación se eligen basándose en:
- Capacidad de extraer texto. No incluimos soluciones que solo extraen datos legibles por máquina (es decir, datos estructurados) en esta comparación
- Su popularidad en el mercado
Esta no es una revisión exhaustiva del mercado y es posible que hayamos excluido algunos productos con capacidades significativas. Si ese es el caso, deje un comentario y estaremos encantados de ampliar la evaluación.
Limitaciones
Capacidades avanzadas como la detección de ubicación de texto, el emparejamiento de clave-valor y la clasificación de documentos no se evaluaron en esta evaluación.
El tamaño de la muestra se aumentará en la siguiente iteración. Si está buscando OCR para escritura a mano, consulte nuestra evaluación de OCR de escritura a mano con 50 muestras.
También puede ver nuestra evaluación de OCR de facturas y evaluación de OCR de recibos si está interesado.
Resultados anteriores de la evaluación de OCR
- Google Cloud Vision y AWS Textract son las tecnologías líderes en el mercado para todos los casos
- Abbyy también tiene un alto rendimiento para documentos no escritos a mano
- Todos los OCR evaluados, incluido el de código abierto Tesseract, funcionaron bien en capturas de pantalla digitales.
Google Cloud La herramienta de OCR de Vision de la Plataforma de Google logra la mayor precisión de texto del 98,0% cuando se prueba todo el conjunto de datos. Aunque todos los productos funcionan por encima del 99,2% con la Categoría 1, donde se incluyen textos mecanografiados, las imágenes escritas a mano en las Categorías 2 y 3 crean la verdadera diferencia entre los productos.
Los resultados generales muestran que GCP Vision y AWS Textract son los productos de OCR dominantes, con la mayor precisión en el reconocimiento del texto dado.
Notas de los resultados generales:
- Hay un solo momento en que AWS Textract no pudo reconocer el texto escrito a mano. Esta situación reduce significativamente la categoría y el rendimiento total de AWS Textract. También aumenta la desviación dentro de la categoría y en general, porque AWS Textract funciona muy bien en todas las demás instancias.
- Azure es el producto líder en la Categoría 1 con una precisión del 99,8%. Sin embargo, el producto a menudo falla al reconocer texto escrito a mano, como se muestra en los resultados de la segunda categoría. Esta es la razón por la que Azure se queda atrás en la tercera categoría y en general.
- Tesseract OCR es un producto de código abierto que se puede usar gratis. En comparación con Azure y ABBYY, funciona mejor en instancias escritas a mano y se puede considerar para el reconocimiento de escritura a mano si el usuario no puede obtener productos de AWS o GCP. Sin embargo, puede funcionar mal en imágenes escaneadas.
- A diferencia de otros productos, ABBYY genera un archivo .txt más estructurado. ABBYY también considera la ubicación del texto dentro de la imagen al generar el archivo de salida. Aunque el producto tiene capacidades adicionales útiles, nos estamos centrando solo en la precisión del texto en esta evaluación. Y funcionó mal en el reconocimiento de escritura a mano.
Eliminación de la imagen "problemática"
Como se mencionó en los resultados generales, hubo una sola imagen "atípica" donde AWS Textract no pudo reconocer ningún texto. Aunque el producto muestra más del 95% de precisión de texto en todas las demás imágenes, esta instancia redujo el rendimiento de AWS y amplió su intervalo de confianza.
Como esta instancia podría ser una excepción, también quisimos comparar los productos sin ella. Llamamos a esta imagen "problemática" y volvimos a ejecutar nuestros resultados para ver si hacían una diferencia.
Aquí están los nuevos resultados después de excluir al "problemático" del conjunto de datos.
Cuando se excluye al "problemático", AWS Textract se convierte en el mejor rendimiento con un nivel de precisión de texto casi perfecto (99,3%) con un intervalo de confianza estrecho. Aunque las puntuaciones no cambian mucho, GCP Vision y AWS Textract siguen siendo los 2 mejores productos, con una mejor precisión de texto que los demás.
Resultados sin reconocimiento de escritura a mano
El factor principal que reduce la precisión de texto de ciertos productos es la presencia de escritura a mano en las imágenes. Por lo tanto, excluimos todas las imágenes (todas las imágenes de la categoría 2 y 6 de la categoría 3) y volvimos a evaluar el rendimiento de la precisión del texto, nuevamente.
Los resultados son más cara a cara cuando se excluyen las imágenes escritas a mano. AWS Textract y GCP Vision siguen siendo los 2 mejores productos en la evaluación, pero ABBYY FineReader también funciona muy bien (99,3%) esta vez. Aunque todos los productos logran más del 95% de precisión cuando se excluye la escritura a mano, Azure Computer Vision y Tesseract OCR aún tienen dificultades con los documentos escaneados, colocándolos atrás en esta comparación.
Productos evaluados
Probamos cinco productos de OCR para medir su rendimiento de precisión de texto. Utilizamos versiones disponibles a mayo/2021. Los productos utilizados son:
- ABBYY FineReader 15
- Amazon Textract
- Google Cloud Platform Vision API
- Microsoft Azure Computer Vision API
- Tesseract OCR Engine
Conjunto de datos
Aunque hay muchos conjuntos de datos de imágenes para OCR, estos son
- principalmente a nivel de carácter y no se ajustan a casos de uso empresarial reales
- o se centran en la ubicación del texto en lugar del texto en sí.
Por lo tanto, decidimos crear nuestro propio conjunto de datos bajo tres categorías principales:
- Categoría 1 – Capturas de pantalla de páginas web que incluyen textos: Esta categoría incluye capturas de pantalla de páginas aleatorias de Wikipedia y resultados de búsqueda de Google con consultas aleatorias.
- Categoría 2 – Escritura a mano: Esta categoría incluye fotos aleatorias que incluyen diferentes estilos de escritura a mano.
- Categoría 3 – Recibos, facturas y contratos escaneados: Esta categoría incluye una colección aleatoria de recibos, facturas escritas a mano y contratos de seguros escaneados recopilados de internet.
Todos los archivos de entrada están en formato .jpg o .png.
Limitaciones
- Conjunto de datos limitado: Originalmente, teníamos una cuarta categoría que consistía en fotos de periódicos para evaluar el rendimiento de los productos en documentos impresos. Sin embargo, estas fotos contienen demasiado texto, lo que dificulta generar la verdad fundamental. Por lo tanto, decidimos no usarlas.
- Inconsistencias en los formatos de salida: Muchas imágenes incluyen instancias de texto separado en los lados izquierdo y derecho. Los productos extraen estos textos en diferentes órdenes, lo que hace que los archivos de salida sean diferentes, aunque los textos se detectan con precisión. Esta situación nos impidió usar otras medidas de distancia (como la distancia de Levenshtein) y limitó nuestras opciones para calcular la precisión del texto.
- Posible problema con la distancia del coseno: La distancia del coseno utiliza incrustaciones mientras calcula la similitud. Por ejemplo, comparar las oraciones "Me gusta el té" y "Me gusta el café" daría una puntuación de similitud más alta de lo que debería. Sin embargo, casos como confundir la palabra "té" con "café" serían raros, por lo que no consideramos esta posibilidad en este ejercicio.
Utilizamos otros datos de mercado (por ejemplo, revisiones de software, estudios de casos de clientes) para clasificar a los proveedores de software. Sin embargo, como la mayoría de las corporaciones utilizan el término "OCR" al buscar soluciones de extracción de datos (es decir, incluidas aquellas que generan datos legibles por máquina), nuestra lista tiene un alcance más amplio y más empresas que las presentadas en este ejercicio de evaluación.
Añadir como fuente preferidaPreguntas frecuentes
Reconocimiento óptico de caracteres (OCR) es un campo del aprendizaje automático que se especializa en distinguir caracteres dentro de imágenes como documentos escaneados, libros impresos o fotos. Aunque es una tecnología madura, aún no hay productos de OCR que puedan reconocer todo tipo de texto con una precisión del 100%. Entre los productos que evaluamos, solo unos pocos productos pudieron generar resultados exitosos de nuestro conjunto de pruebas.
OCR Las herramientas son utilizadas por empresas para identificar textos y sus posiciones en imágenes, clasificar documentos comerciales según temas o realizar emparejamiento de clave-valor dentro de documentos. Basado en los resultados de OCR, otras empresas de tecnología construyen aplicaciones como automatización de documentos. Para todos estos casos de uso empresarial, el reconocimiento preciso de texto es crítico para un producto de OCR.
Cita este benchmark
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Alper, Şevval},
title = {{OCR Benchmark: Extracción de texto / Precisión de captura}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/ocr-accuracy}},
note = {AIMultiple. Recuperado el 29 de Junio de 2026}
}Enlaces de referencia
Comentarios 8
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
Did you ever think of oncluding multimodal llms in your comparison, like gpt4o, llama 3.2. gemini, claude etc.?
Hi Serhat and thank you for your comment, Yes, we added those for which we have API access like Claude and GPT-4o.
Just stumbled on this milestone assessment update. Could you kindly elaborate further on the three revised datasets: Thanks for this work. Character Sets When someone refers to 'handriting', that can mean many things: 'handwriting style' typefaces (per Docusign, etc.), and hand-printed (block printing and mixed-case printing) as often found in combs and box delineators, and finally, cursive or longhand writing (exclusive of signatures). Character Context Structured content, semi-structured content, and unstructured content. Image Qualities (bitonal, greyscale, full colour, spatial dpi, from a scanner/cell-phone/native rendering, image 'enhancements' prior to OCR (thickening, local gamma, background dropout, sharpening, smoothing, noise removal, etc.) These can have significant impacts, and some don't realize the importance of including these benchmark differentiators.
Hi there, thank you for the detailed comment, we are updating the article to include these details.
Hello, great work! Just curious, did you use a trained Tesseract when making these testing?
Hi, Webster. Glad you enjoyed the article. The tools we tested were: ABBYY FineReader 15 Amazon Textract Google Cloud Platform Vision API Microsoft Azure Computer Vision API Tesseract OCR Engine Hope this answers your question.
The graph images are not working for me at the moment. Otherwise great
Thank you Bobby! We have a glitch in the CMS and we are fixing it. Apologies for the issue, it should be fixed next week.
Thanks for sharing, can you add a free OCR for everyone to use? https://www.geekersoft.com/ocr-online.html
Hi Samsun, unfortunately, we don't share all OCR providers on this page, there are thousands of them. We tried to put together the largest ones in terms of market presence. If you have evidence that your solution is one of the top 10 globally, please share it with us at info@aimultiple.com so we can consider it.
What version of Tesseract did you test with? They recently released v5.
Hi Scott, we did the benchmarking before Tesseract 5. We will redo it soon and include the versions in the methodology section as well.
This is very informative, nice work. I assume your tests used documents/images in English? I've been experimenting with OCR tools on other languages and finding relatively poor accuracy.
Exactly, all text were in English. I hear similar things about OCR on non-Latin characters. We have an Arabic speaker in the team who claims that accuracy in Arabic is much lower compared to English. We can do a benchmark on non-Latin characters if there is demand for it.
interesting post!!! do you have any suggestion about improving accuracy on scanned image ? i'm using tesseract right now. anyway , great work!
Thank you for the comment. There are pre-processing approaches that can be implemented to improve image quality. But such approaches may already be used in Tesseract. A detailed research into Tesseract image processing would be helpful in your case.