Architektura AI & Narzędzia 11 września 2026 8 min czytania

Modele OCR w 2026: pięć pokoleń, od Tesseracta po DeepSeek-OCR

Mariusz Kałmuk Specjalista ds. automatyzacji i Agentów AI / Web Designer

Pamiętasz jeszcze, jak dawniej wyglądał OCR? Robiłeś skan krzywo leżącej faktury, a program wyrzucał ciąg losowych znaczków w stylu: F4ktµr4 v4T nr 1/20|8, myląc literę „O” z cyfrą „0” i rozsypując tabelę na bezużyteczny pył. Tradycyjny OCR przypominał krótkowzrocznego skrybę, który w ciemnym pokoju przez zaparowane okulary kopiował kształty liter, nie mając bladego pojęcia, czym w ogóle jest język. Dzisiejsze modele OCR i Document AI to zupełnie inny gatunek: nie tylko odczytują tekst, ale bezbłędnie rozumieją strukturę dokumentu, semantykę i relacje między danymi.

Modele OCR i Document AI przetwarzające skan dokumentu w cyfrowe dane

Czym właściwie jest OCR w nowoczesnym wydaniu?

Skrót OCR (Optical Character Recognition) przez dekady oznaczał po prostu optyczne rozpoznawanie pojedynczych liter i znaków na obrazie bitmapowym. Maszyna brała kadr pikseli, progowała kontrast na czarno-biały i próbowała dopasować geometryczny kształt do gotowej bazy glifów.

W erze nowoczesnego AI granica między „rozpoznawaniem liter” a „rozumieniem tekstu” zatarła się na dobre. Dziś zamiast o prostym OCR mówimy o Document AI lub VDU (Visual Document Understanding). Współczesny model nie traktuje strony jak płaskiej siatki czarno-białych pikseli, lecz analizuje dokument trójwymiarowo:

Warstwa wizualna: gdzie znajdują się linie, nagłówki, tabele, pieczątki, kody QR i odręczne podpisy.
Warstwa przestrzenna (Spatial Layout): które kolumny są ze sobą powiązane, czy etykieta „NIP Nabywcy” znajduje się nad numerem, czy obok niego, i jak czytać wielopoziomowe tabele.
Warstwa semantyczna: czy kwota 123,00 zł to cena jednostkowa, wartość podatku VAT, czy końcowa kwota do zapłaty.

„Stary OCR pytał: «Jaka to litera?». Nowoczesny Document AI pyta: «Co to za dokument, jakie ma intencje biznesowe i jak wyciągnąć z niego czysty JSON bez zawracania głowy człowiekowi?».”
— Zasada przetwarzania dokumentów w architekturach Otoro

Ewolucja i podział modeli OCR: od wzorców po VLM

Żeby nie utonąć w nazwach bibliotek na GitHubie, podzielmy modele i silniki OCR na pięć logicznych pokoleń:

1. Generacja heurystyczna (Rule-based & Pattern Matching)

Przedstawiciele: Wczesne wersje Tesseract (przed v4), stare silniki faksowe i archiwalne oprogramowanie skanerów.
Jak to działało: Analiza konturów pikseli, szukanie zamkniętych pętli (np. litera „o” czy „d”) i dopasowywanie do sztywnych macierzy czcionek. Jeśli kartka była lekko pomięta, skan obrócony o 4 stopnie lub na papierze pojawił się cień – wynik zamieniał się w cyfrowy bełkot.

2. Dwuetapowe sieci neuronowe Deep Learning (Detection + Recognition)

Przedstawiciele: PaddleOCR, EasyOCR, DocTR, Tesseract 5 (LSTM).
Jak to działa: Zadanie rozbito na dwa odrębne wyspecjalizowane modele. Krok pierwszy to Text Detection (np. algorytm DBNet oparty na sieci CNN), który rysuje ramki wokół każdego słowa lub wiersza na stronie. Krok drugi to Text Recognition (np. sieć CRNN / SVTR), która odczytuje treść wyciętej ramki litera po literze.
Zalety: Niezwykle szybkie, działają nawet na tanim procesorze (CPU) w ułamku sekundy, odporne na szum i przekrzywienia.
Wada: Całkowity brak świadomości relacji przestrzennych – model wyrzuca „worek słów” i nie wie, która komórka tabeli należy do którego wiersza.

3. Modele świadome układu (Layout-Aware Models & End-to-End Transformers)

Przedstawiciele: LayoutLM (v1, v2, v3 od Microsoftu), Donut, Nougat (Meta).
Jak to działa: Modele łączące osadzenia słów (Word Embeddings), ich współrzędne 2D na stronie (Bounding Boxes) oraz wizualne cechy obrazu. Model Donut poszedł o krok dalej – odrzucił klasyczny moduł OCR i czyta dokument bezpośrednio z surowego obrazu do struktury JSON za pomocą architektury Transformer.
Zalety: Bezbłędne łączenie par klucz-wartość (np. numer faktury, data sprzedaży) nawet przy nietypowych szablonach graficznych.

4. Multimodalne modele wizyjno-językowe (Vision-Language Models – VLM)

Przedstawiciele: Qwen3-VL, Gemini 3 Pro, najnowsze modele Claude i GPT z obsługą obrazu.
Jak to działa: Cała strona jest traktowana jako tokenizowany obraz wejściowy dla potężnego modelu językowego. Model nie tylko przepisuje tekst, ale potrafi napisać: „To jest protokół odbioru instalacji fotowoltaicznej podpisany przez klienta, a na wykresie produkcji w maju widać spadek o 12% z powodu cieniowania komina”.
Zalety: Uniwersalność i rozumowanie na treści dokumentu — model odpowie na pytanie o zawartość, a nie tylko ją przepisze. Generuje Markdown lub zagnieżdżony JSON bez trenowania dedykowanych parserów.
Wada: To młot na muchę. Płacisz za pełne rozumowanie tam, gdzie potrzebujesz wiernej transkrypcji — i właśnie dlatego powstało pokolenie piąte.

5. Wyspecjalizowane modele OCR nowej generacji (2025–2026)

Przedstawiciele: DeepSeek-OCR i DeepSeek-OCR-2, olmOCR-2 (AllenAI), dots.ocr, PaddleOCR-VL, Nanonets-OCR2, Chandra, Granite-Docling, a po stronie komercyjnej Mistral OCR 4.
Jak to działa: Architektonicznie to nadal modele wizyjno-językowe, ale trenowane wyłącznie pod jedno zadanie: wierną zamianę strony na tekst, Markdown lub HTML. Odchudzone do 0,9–9 mld parametrów, więc mieszczą się na jednej karcie konsumenckiej.
Zalety: Dostają to, czego brakowało wcześniejszym pokoleniom naraz — tabele i wykresy konwertowane do HTML, pismo odręczne, grounding (współrzędne każdego fragmentu na stronie, więc wiadomo, skąd pochodzi dana) i szeroka wielojęzyczność: PaddleOCR-VL deklaruje ponad 109 języków, DeepSeek-OCR około 100.
Dlaczego to zmienia rachunek: model 3B działający lokalnie zbliża się jakościowo do dużych VLM-ów przy ułamku kosztu — i nie wysyła dokumentów nigdzie poza Twój serwer.

Porównanie technologii OCR w praktyce

Który model wybrać do jakiego zadania? Oto zestawienie kluczowych parametrów z perspektywy wydajności i kosztów:

Generacja	Typowe silniki	Prędkość / Narzut	Obsługa tabel i układu	Idealne zastosowanie
Dwustopniowy Deep Learning	PaddleOCR, EasyOCR	Błyskawiczna (20–100 ms na CPU)	Niska (wymaga osobnego detektora tabel)	Szybkie skanowanie numerów rejestracyjnych, paragonów, prostych formularzy.
Layout-Aware Transformer	LayoutLM v3, Donut, Nougat	Średnia (100–500 ms na GPU)	Bardzo wysoka (relacje 2D)	Masowe przetwarzanie faktur B2B, umów prawnych, dokumentacji akademickiej.
Wyspecjalizowany model OCR	DeepSeek-OCR, dots.ocr, olmOCR-2, PaddleOCR-VL	Szybka (0.3–1.5 s na GPU)	Bardzo wysoka (tabele do HTML, grounding)	Masowa digitalizacja archiwów, skany, pismo odręczne, zasilanie Document RAG — lokalnie.
Uniwersalny VLM	Qwen3-VL, Gemini 3 Pro, Claude / GPT z obsługą obrazu	Zmienna (0.8–3.0 s, wymaga GPU/API)	Wybitna (pełne rozumienie semantyczne)	Dokumenty wymagające wnioskowania, nie tylko odczytu — analiza wykresów, ocena treści umowy.

Do czego realnie wykorzystać nowoczesny OCR w firmie?

W Otoro wdrażamy Document AI wszędzie tam, gdzie ręczne wprowadzanie danych przepala roboczogodziny pracowników i rodzi kosztowne pomyłki:

1. Automatyczny obieg faktur i kosztów (Zero-Touch AP)

Zamiast asystentki przepisującej NIP, numer rachunku bankowego, pozycje i stawki podatkowe z PDF-ów do programu Subiekt czy Comarch ERP, wyspecjalizowany potok OCR w 2 sekundy parsuje dokument do ustrukturyzowanego schematu JSON, weryfikuje sumy matematyczne i przekazuje płatność do akceptacji.

# Przykładowy ustrukturyzowany wynik z modelu Document AI: { "rodzaj_dokumentu": "faktura_vat", "numer_faktury": "FV/2026/09/118", "sprzedawca": { "nazwa": "Otoro Mariusz Kałmuk", "nip": "8390000000" }, "kwota_netto": 4500.00, "vat_kwota": 1035.00, "kwota_brutto": 5535.00, "status_walidacji": true }

2. Zaawansowany Agentic RAG dla „trudnych” dokumentów

Zwykłe biblioteki do parsowania PDF (np. pypdf) przy skanach wyrzucają pustą stronę albo zlepiony ciąg słów bez podziału na wiersze. Nowoczesny model wizyjny (np. Nougat, DeepSeek-OCR lub olmOCR-2) konwertuje skany skomplikowanych raportów, umów deweloperskich i instrukcji technicznych na idealny kod Markdown wraz z tabelami. Taki dokument jest gotowy do pocięcia na chunki i zindeksowania w bazie wektorowej dla firmowego Agenta AI.

3. Odczyt pism ręcznych i formularzy (KYC, Ubezpieczenia, Medycyna)

Szkody komunikacyjne, protokoły montażu pomp ciepła wypełniane ołówkiem na kolanie przez technika, czy oświadczenia klientów pisane odręcznie. Nowoczesne modele wytrenowane na pismach odręcznych radzą sobie z rozszyfrowaniem „lekarskiego pisma” znacznie sprawniej niż zmęczony człowiek po 8 godzinach pracy.

4. Weryfikacja tożsamości i bezpieczeństwo danych (Redaction)

Automatyczne maskowanie danych wrażliwych (RODO / GDPR). Model lokalizuje na skanie dowodu osobistego numer PESEL, zdjęcie twarzy oraz adres zameldowania i nakłada na nie cyfrową czarną maskę przed przesłaniem pliku do zewnętrznego archiwum.

Okiem praktyka: Pułapki i zasady bezpiecznego wdrożenia

Wdrożenie Document AI to nie tylko pobranie modnego modelu z Hugging Face. W środowisku produkcyjnym trzeba uważać na konkretne miny:

Halucynacje modeli VLM: Jeśli podasz modelowi multimodalnemu zamazaną fakturę z plamą na numerze konta, klasyczny model zwróci niski współczynnik pewności (Confidence Score: 0.12). Model generatywny może natomiast „wymyślić” pasujące cyfry! Dlatego na operacjach krytycznych zawsze stosujemy reguły weryfikacji sumy kontrolnej (np. algorytm Luhna dla kart czy weryfikacja sumy wagowej numeru rachunku IBAN).
Koszty i skalowalność: Wysyłanie 50 000 stron miesięcznie do uniwersalnego modelu komercyjnego potrafi wygenerować rachunek na tysiące dolarów — a dedykowane API do OCR i tak kosztują kilka dolarów za tysiąc stron (Mistral OCR 4: 4 USD, z Batch API 2 USD). W większości wdrożeń optymalny jest lokalny, wyspecjalizowany model otwarty — DeepSeek-OCR (3B), dots.ocr (3B) czy PaddleOCR-VL (0,9B) zmieszczą się na jednej karcie konsumenckiej i nie generują kosztu za stronę. Zanim wybierzesz, sprawdź, co realnie mieści się na karcie z 32 GB VRAM.
Jakość skanu na wejściu (Preprocessing): Zanim obraz trafi do sieci neuronowej, warto przepuścić go przez wstępny potok: automatyczne wyprostowanie (deskew), odszumienie i usunięcie zagięć papieru. Poprawia to skuteczność każdego modelu o 15–30%.

Podsumowanie

OCR przestał być prymitywnym narzędziem do rozpoznawania kształtu czcionek. Stał się inteligentnym okiem systemów automatyzacji, które pozwala agentom AI czytać dokumenty biznesowe z taką samą wprawą, jak robi to doświadczony pracownik biurowy.

Chcesz zautomatyzować przetwarzanie dokumentów i faktur w swojej firmie?

W Otoro budujemy dedykowane potoki Document AI, lokalne bazy wiedzy RAG oraz automatyzacje procesów biznesowych eliminujące ręczną papierkologię.

Skonsultuj automatyzację dokumentów →