OCR Benchmark: Precisão de Extração / Captura de Texto
A precisão de OCR é crítica para muitas tarefas de processamento de documentos, e os LLMs multimodais SOTA estão agora oferecendo uma alternativa ao OCR. Realizamos um benchmark dos principais serviços de OCR no DeltOCR Bench para identificar seus níveis de precisão em diferentes tipos de documentos:
- Escrita à Mão: GPT-5 (%95) destaca-se como o melhor desempenho, seguido de perto por olmOCR-2-7B (%94) e Gemini 2.5 Pro (%93).
- Mídia impressa: Gemini 2.5 Pro, Google Vision e Claude Sonnet 4.5 lideram esta categoria com a pontuação mais alta (%85)
- Texto impresso: Microsoft Azure Document Intelligence API lidera com uma pontuação de %96.
OCR Benchmark: DeltOCR Bench
Os nomes completos dos produtos acima e suas versões em uso em novembro de 2025 estão listados abaixo. Nosso estudo abrange tanto serviços de API de fácil acesso quanto soluções que requerem infraestrutura local, comparando os principais modelos do mercado em um ambiente de teste aprofundado.
- Escrita à Mão:
- Faixa de Precisão: Uma ampla faixa de %46 a %95.
- Destaques: GPT-5 (%95), olmOCR-2-7B (%94) e Gemini 2.5 Pro (%93) exibem o desempenho mais alto. Essas pontuações elevadas demonstram o extraordinário potencial de precisão dos LLMs multimodais, como GPT-5 e Gemini 2.5 Pro, neste domínio.
- Recomendação: Para o reconhecimento de caligrafia altamente complexa, as melhores soluções de LLM, como GPT-5 ou Gemini 2.5 Pro, são recomendadas devido à sua acessibilidade via API e facilidade de integração.
- Mídia impressa:
- Faixa de Precisão: Uma faixa de %54 a %85.
- Destaques: Soluções como Gemini 2.5 Pro, Google Vision e Claude Sonnet 4.5 compartilham a pontuação mais alta (%85). Esta categoria é altamente competitiva entre LLMs e serviços de OCR tradicionais baseados em nuvem (Azure, Dots OCR, Amazon Textract). O GPT-5 fica atrás de outros LLMs líderes nesta categoria (%77).
- Recomendação: Para documentos com layouts visuais complexos (múltiplas fontes, baixa resolução, etc.), são recomendados LLMs como Gemini 2.5 Pro, ou serviços baseados em nuvem como Google Vision, ou Microsoft Azure Document Intelligence API.
- Texto impresso:
- Faixa de Precisão: Uma faixa alta de %55 a %96, embora a maioria das soluções líderes tenha alcançado pontuações de %94 ou mais.
- Destaques: Microsoft Azure Document Intelligence API (%96) assume a liderança, seguida de perto por soluções como GPT-5, Gemini 2.5 Pro, Gemini 3 Pro Preview, Google Vision e Amazon Textract, todas pontuando %95. Esta categoria é uma área onde todas as soluções SOTA alcançam níveis extremamente altos de precisão.
- Recomendação: Para textos impressos simples que exigem alta precisão, soluções de nuvem consolidadas como Microsoft Azure Document Intelligence API ou Google Vision, ou LLMs de alta pontuação (Gemini/GPT-5), podem ser usados com confiança.
Soluções de API
Os seguintes modelos foram incluídos na nossa lista de benchmark devido à sua facilidade de acesso e desempenho.
- 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 faz parte da família de Serviços Cognitivos do Azure.
Modelos Implantados Localmente (On-Premise)
Testar esses modelos é mais desafiador do que as soluções de API devido à instalação, gerenciamento de dependências e requisitos de hardware. Todos os testes locais foram realizados em um ambiente de servidor dedicado.
- olmOCR-2-7B
- PaddleOCR-VL
- Nanonets-OCR2-3B
- Deepseek-OCR
- Dots-OCR
Calculamos a precisão dos resultados como a pontuação de similaridade de cosseno para texto impresso, mídia impressa e escrita à mão. Cada pontuação visível no gráfico representa o desempenho do modelo correspondente dentro dessa categoria.
Durante nossos testes, observamos que o modelo Nanonets-OCR2-3B teve o desempenho mais fraco no benchmark, alcançando as pontuações mais baixas. Em geral, descobrimos que alguns modelos tiveram dificuldades especialmente com caligrafia cursiva e layouts de texto desorganizados (ordenação de linhas mista, capitalização inconsistente). Problemas de desempenho semelhantes também surgiram na categoria de mídia impressa, principalmente com imagens de baixa resolução e aquelas que continham vários estilos de fonte.
Conjunto de Dados
Utilizamos um total de 300 documentos neste benchmark, com 100 documentos por categoria em 3 categorias:
Texto impresso inclui cartas, capturas de tela de sites, e-mails, relatórios, etc.
Mídia impressa inclui pôsteres, capas de livros, anúncios, etc. Nosso objetivo era ver o sucesso das ferramentas de OCR em diferentes fontes de texto e posicionamentos.
Files dessas 2 categorias foram obtidos da Industry Documents Library (IDL).1
Escrita à Mão: Na categoria de manuscrito, como alguns documentos do IDL não eram fáceis de ler, nossa equipe gerou documentos semelhantes aos do IDL. Preparamos manualmente amostras de caligrafia legível por humanos. Todas as amostras estavam em estilo de caligrafia cursiva.
Metodologia do DeltOCR Bench
Este benchmark concentra-se na precisão da extração de texto dos produtos.
O pré-processamento é realizado apenas para a categoria de escrita à mão. Tiramos fotos de documentos manuscritos com nossos smartphones e usamos um aplicativo de scanner móvel:
- As fotos foram convertidas para preto e branco
- O contraste foi aumentado e o fundo foi removido.
OCR: Executamos todos os produtos no mesmo conjunto de dados e geramos saídas de texto como arquivos de texto bruto (.txt). Em seguida, preparamos manualmente a verdade de referência, incluindo o texto correto em todos esses arquivos. A verdade de referência foi verificada duas vezes por humanos.
Comparação: Medimos a precisão das soluções de OCR comparando suas saídas com os textos originais. Para isso, utilizamos o framework Sentence-BERT (SBERT) para calcular as pontuações de similaridade de cosseno. No benchmark, usamos o modelo de paráfrase multilíngue de alto desempenho, MiniLM-L12-v2, para calcular a pontuação de similaridade entre a saída de cada produto e os textos de referência. Essa pontuação representa o nível de precisão do texto.
A função de similaridade usa uma métrica de distância de cosseno para calcular a similaridade entre dois textos. Não usamos a distância de Levenshtein para este benchmark porque diferentes produtos produzem textos em ordens diferentes.2
Enquanto a distância de Levenshtein leva em conta essas diferenças, estamos procurando apenas quão precisamente o texto é detectado, e não onde está localizado. A distância de cosseno tem penalidades insignificantes para esses casos, então decidimos usá-la neste benchmark.
Seleção de produtos
Existem muitos produtos de OCR no mercado. Precisamos nos concentrar naqueles que podem produzir resultados de texto bruto. Os produtos para este benchmark são escolhidos com base em:
- Capacidade de extrair texto. Não incluímos nesta comparação soluções que extraem apenas dados legíveis por máquina (ou seja, dados estruturados)
- Sua popularidade no mercado
Esta não é uma análise de mercado abrangente, e podemos ter excluído alguns produtos com capacidades significativas. Se for o caso, por favor, deixe um comentário, e teremos o prazer de expandir o benchmark.
Limitações
Capacidades avançadas, como detecção de localização de texto, pareamento chave-valor e classificação de documentos, não foram avaliadas neste benchmark.
O tamanho da amostra será aumentado na próxima iteração. Se você está procurando OCR para escrita à mão, veja nosso benchmark de OCR para escrita à mão com 50 amostras.
Você também pode ver nosso benchmark de OCR para faturas e benchmark de OCR para recibos se tiver interesse.
Resultados anteriores do benchmark de OCR
- Google Cloud Vision e AWS Textract são as tecnologias líderes no mercado para todos os casos
- A Abbyy também tem alto desempenho para documentos não manuscritos
- Todos os OCRs avaliados, incluindo o Tesseract de código aberto, tiveram bom desempenho em capturas de tela digitais.
A ferramenta de OCR do Google Cloud Platform alcança a maior precisão de texto de 98,0% quando todo o conjunto de dados é testado. Enquanto todos os produtos têm desempenho acima de 99,2% na Categoria 1, onde textos digitados estão incluídos, as imagens manuscritas nas Categorias 2 e 3 criam a verdadeira diferença entre os produtos.
Os resultados gerais mostram que o GCP Vision e o AWS Textract são os produtos de OCR dominantes, com a maior precisão no reconhecimento do texto fornecido.
Notas dos resultados gerais:
- Há um único caso em que o AWS Textract falhou em reconhecer o texto manuscrito. Essa situação reduz significativamente o desempenho do AWS Textract na categoria e no total. Também aumenta o desvio dentro da categoria e no geral, porque o AWS Textract tem um desempenho muito bom em todas as outras instâncias.
- O Azure é o produto líder na Categoria 1 com 99,8% de precisão. No entanto, o produto frequentemente falha em reconhecer texto manuscrito, conforme mostrado nos resultados da segunda categoria. Esta é a razão pela qual o Azure fica para trás na terceira categoria e no geral.
- O Tesseract OCR é um produto de código aberto que pode ser usado gratuitamente. Em comparação com o Azure e o ABBYY, ele tem melhor desempenho em instâncias manuscritas e pode ser considerado para reconhecimento de escrita à mão se o usuário não puder obter produtos da AWS ou GCP. No entanto, pode ter um desempenho ruim em imagens digitalizadas.
- Ao contrário de outros produtos, o ABBYY gera um arquivo .txt mais estruturado. O ABBYY também considera a localização do texto na imagem ao gerar o arquivo de saída. Embora o produto tenha capacidades úteis adicionais, estamos focando apenas na precisão do texto neste benchmark. E ele teve um desempenho ruim no reconhecimento de escrita à mão.
Removendo a imagem “Encrenqueira”
Conforme mencionado nos resultados gerais, houve uma única imagem “atípica” em que o AWS Textract não conseguiu reconhecer nenhum texto. Embora o produto mostre mais de 95% de precisão de texto em todas as outras imagens, essa instância reduziu o desempenho do AWS e ampliou seu intervalo de confiança.
Como essa instância pode ser uma exceção, também quisemos comparar os produtos sem ela. Chamamos essa imagem de “encrenqueira” e reexecutamos nossos resultados para ver se fazia diferença.
Aqui estão os novos resultados após excluir a “encrenqueira” do conjunto de dados.
Quando a “encrenqueira” é excluída, o AWS Textract se torna o melhor desempenho, com um nível de precisão de texto quase perfeito (99,3%) e um intervalo de confiança estreito. Embora as pontuações não mudem muito, o GCP Vision e o AWS Textract continuam sendo os 2 principais produtos, com melhor precisão de texto do que os outros.
Resultados sem Reconhecimento de Escrita à Mão
O principal fator que reduz a precisão do texto de certos produtos é a presença de escrita à mão nas imagens. Assim, excluímos todas as imagens (todas da categoria 2 e 6 imagens da categoria 3) e reavaliamos o desempenho da precisão do texto novamente.
Os resultados são mais equilibrados quando as imagens manuscritas são excluídas. O AWS Textract e o GCP Vision continuam sendo os 2 principais produtos no benchmark, mas o ABBYY FineReader também tem um desempenho muito bom (99,3%) desta vez. Embora todos os produtos alcancem mais de 95% de precisão quando a escrita à mão é excluída, o Azure Computer Vision e o Tesseract OCR ainda têm dificuldades com documentos digitalizados, deixando-os para trás nesta comparação.
Produtos avaliados
Testamos cinco produtos de OCR para medir seu desempenho de precisão de texto. Utilizamos as versões disponíveis em maio de 2021. Os produtos utilizados são:
- ABBYY FineReader 15
- Amazon Textract
- Google Cloud Platform Vision API
- Microsoft Azure Computer Vision API
- Tesseract OCR Engine
Conjunto de dados
Embora existam muitos conjuntos de dados de imagem para OCR, estes são
- na maioria das vezes em nível de caractere, e não se adequam a casos de uso reais de negócios
- ou focam na localização do texto em vez do texto em si.
Assim, decidimos criar nosso próprio conjunto de dados sob três categorias principais:
- Categoria 1 – Capturas de tela de páginas da web que incluem textos: Esta categoria inclui capturas de tela de páginas aleatórias da Wikipédia e resultados de pesquisa do Google com consultas aleatórias.
- Categoria 2 – Escrita à mão: Esta categoria inclui fotos aleatórias que incluem diferentes estilos de caligrafia.
- Categoria 3 – Recibos, faturas e contratos digitalizados: Esta categoria inclui uma coleção aleatória de recibos, faturas manuscritas e contratos de seguro digitalizados coletados da internet.
Todos os arquivos de entrada estão no formato .jpg ou .png.
Limitações
- Conjunto de dados limitado: Originalmente, tínhamos uma quarta categoria composta por fotos de jornais para avaliar o desempenho dos produtos em documentos impressos. No entanto, essas fotos contêm muito texto, dificultando a geração da verdade de referência. Assim, decidimos não usá-las.
- Inconsistências nos formatos de saída: Muitas imagens incluem instâncias de texto separado nos lados esquerdo e direito. Os produtos extraem esses textos em ordens diferentes, fazendo com que os arquivos de saída sejam diferentes, embora os textos sejam detectados com precisão. Essa situação nos impediu de usar outras medidas de distância (como a distância de Levenshtein) e limitou nossas opções para calcular a precisão do texto.
- Possível problema com a distância de cosseno: A distância de cosseno usa embeddings ao calcular a similaridade. Por exemplo, comparar as frases “Eu gosto de chá” e “Eu gosto de café” daria uma pontuação de similaridade mais alta do que deveria. No entanto, casos como confundir a palavra “chá” com “café” seriam raros, então não consideramos essa possibilidade neste exercício.
Usamos outros dados de mercado (por exemplo, avaliações de software, estudos de caso de clientes) para classificar os provedores de software. No entanto, como a maioria das empresas usa o termo “OCR” ao pesquisar soluções de extração de dados (ou seja, incluindo aquelas que geram dados legíveis por máquina), nossa lista tem um escopo maior e mais empresas do que as apresentadas neste exercício de benchmarking.
Perguntas frequentes
Reconhecimento Óptico de Caracteres (OCR) é um campo do aprendizado de máquina que se especializa em distinguir caracteres dentro de imagens como documentos digitalizados, livros impressos ou fotos. Embora seja uma tecnologia madura, ainda não existem produtos de OCR que possam reconhecer todos os tipos de texto com 100% de precisão. Entre os produtos que avaliamos, apenas alguns puderam produzir resultados bem-sucedidos do nosso conjunto de teste.
Ferramentas de OCR são usadas por empresas para identificar textos e suas posições em imagens, classificar documentos comerciais de acordo com assuntos ou realizar pareamento chave-valor dentro dos documentos. Com base nos resultados do OCR, outras empresas de tecnologia criam aplicativos como automação de documentos. Para todos esses casos de negócios, o reconhecimento preciso do texto é fundamental para um produto de OCR.
Cite este benchmark
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Alper, Şevval},
title = {{OCR Benchmark: Precisão de Extração / Captura de Texto}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/ocr-accuracy}},
note = {AIMultiple. Acessado em 29 Junho 2026}
}Links de referência
A seguir, leia
Principais Proxies Google para Scraping Escalável do Google ( Benchmark)
Comparação de Desempenho dos 5 Principais Provedores de VPN
Benchmark de Reranker: Top 8 Modelos Comparados
Top 10 Geradores de Documentos Word com IA: Revisados & Testados
Execução de Código com MCP: Uma Nova Abordagem para Eficiência de Agentes de IA
MongoDB Monitoramento: SolarWinds vs New Relic vs Datadog
Adicionar como fonte preferencial
Comentários 8
Compartilhe suas ideias
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu 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.