NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL: El retador silencioso frente al SOTA probado

El análisis de documentos está en plena carrera SOTA de pesos abiertos, y los dos contendientes no juegan en el mismo terreno. PaddleOCR-VL, el parser de 0.9B del equipo PaddlePaddle de Baidu, se sitúa en lo más alto de OmniDocBench v1.6 con una puntuación compuesta de 96.33, tres lanzamientos en diez meses y el mayor ecosistema de OCR reunido a su alrededor. NVIDIA-Nemotron-Parse-2.0, el otro contendiente, apareció en Hugging Face el 3 de agosto de 2026, sin anuncio, sin endpoint alojado y con una ficha de modelo cuyas cifras nadie fuera de NVIDIA ha verificado todavía. Ese par de hechos convierte esto en la cuestión del incumbente: ¿en qué parser de pesos abiertos apuestas la etapa de análisis de tu pipeline — en el que tiene un récord público en el leaderboard, o en el que se lanzó en silencio afirmando que arregló los idiomas con los que todos los demás luchan?

Dos formas de construir un analizador de páginas

Ambos modelos rondan los 0.9B parámetros, ambos son de peso abierto y ambos están diseñados para autoalojarse. Ahí es donde terminan las similitudes, porque los dos se basan en filosofías arquitectónicas opuestas.

PaddleOCR-VL es un pipeline de dos etapas. Un modelo de diseño, PP-DocLayoutV3, primero detecta cada elemento en una página, lo clasifica y predice el orden de lectura. Solo entonces el modelo de visión-lenguaje PaddleOCR-VL — un codificador de visión de resolución dinámica estilo NaViT combinado con el modelo de lenguaje ligero ERNIE-4.5-0.3B de Baidu — reconoce cada región: el texto, las tablas, las fórmulas, los gráficos. El argumento de Baidu para la división es que separar el diseño del reconocimiento evita los modos de fallo de alucinación y desalineación de elementos que los modelos de extremo a extremo muestran en páginas complejas de múltiples columnas.

NVIDIA-Nemotron-Parse-2.0 es la apuesta opuesta: un único modelo de extremo a extremo. Un codificador de visión ViT-H construido sobre el backbone C-RADIOv2 de NVIDIA alimenta un decodificador estilo mBART de diez capas, y todo el conjunto mapea la imagen de una página directamente a texto en orden de lectura, cuadros delimitadores, clases semánticas y markdown en una sola pasada. No hay ninguna etapa de layout separada que instalar, ajustar o versionar.

La hoja de especificaciones dice lo siguiente:

— Arquitectura — PaddleOCR-VL: detección de diseño (PP-DocLayoutV3) más un VLM de reconocimiento de 0.9B (codificador NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: un codificador-decodificador de visión de 0.9B (ViT-H C-RADIOv2 + decodificador estilo mBART).

Output contract — ambos devuelven texto en orden de lectura, una caja delimitadora y una clase semántica por región, y markdown. PaddleOCR-VL añade indicaciones específicas de tarea para el reconocimiento de texto, tablas, fórmulas, gráficos, detección (spotting) y sellos; Parse 2.0 emite tablas en LaTeX, HTML, markdown, JSON o CSV, y en la versión 2.0 incorporó una clase semántica dedicada para gráficos.

Contexto — PaddleOCR-VL 1.6 admite hasta 131,072 tokens de contexto; los documentos de tarjeta de Parse 2.0 admiten entradas de hasta 2048×1664 y un límite de salida de 9,000 tokens.

• Licencia — PaddleOCR-VL es Apache 2.0; Parse 2.0 está bajo la Licencia de Modelo Abierto de NVIDIA, con el tokenizador bajo CC-BY-4.0. Ambas permiten uso comercial.

El problema del benchmark: 96.33% frente a un número que nadie puede comprobar.

Esta es la parte donde el enfrentamiento deja de ser una comparación y se convierte en una cuestión de abastecimiento.

La versión actual de PaddleOCR-VL, PaddleOCR-VL 1.6, con fecha del 28 de mayo de 2026, reporta un 96.33% en OmniDocBench v1.6 — una combinación de reconocimiento de texto, fórmulas y tablas, además de la predicción del orden de lectura — y un 93.19% en Real5-OmniDocBench, una variante de robustez para páginas deformadas, inclinadas y fotografiadas en pantalla, donde Baidu afirma que supera a Gemini-3-Pro por casi cuatro puntos. Esas son cifras propias de Baidu, pero se informan en el punto de referencia público compartido del campo, razón por la cual pueden clasificarse frente a MinerU 2.5-Pro, GLM-OCR y el resto de la tabla de clasificación.

NVIDIA-Nemotron-Parse-2.0 informa un conjunto diferente de números en un conjunto de pruebas diferente. ParseBench general 0.6391, frente a 0.5782 en v1.2; MOSCAR F1 multilingüe 0.9102, frente a 0.4410; IndicVisionBench ANLS 0.7203, frente a 0.0612; y OmniDocBench Notes distancia de edición de escritura a mano reducida a 0.3395 desde 0.9739. Cada uno de esos es propio de NVIDIA, impreso en la tarjeta del modelo, y ninguno ha sido reproducido de forma independiente. ParseBench es el conjunto de NVIDIA; MOSCAR e IndicVisionBench son conjuntos especializados. No hay una ejecución publicada de Parse 2.0 en el compuesto OmniDocBench que PaddleOCR-VL encabeza, ni una ejecución de PaddleOCR-VL en ParseBench.

Así que la respuesta honesta a «quién puntúa más alto» es que nadie lo sabe todavía, y cualquiera que afirme lo contrario está comparando diferentes criterios de medición. El único punto de coincidencia es la escritura a mano en OmniDocBench Notes, donde la ficha de Parse 2.0 afirma una gran mejora en la distancia de edición con respecto a su propio predecesor — pero eso es un número a nivel de tarea, no la puntuación compuesta que reporta PaddleOCR-VL. La asimetría que realmente importa es estructural: el 96.33 de PaddleOCR-VL es una posición en la tabla de clasificación que cualquiera puede consultar, mientras que las afirmaciones de Parse 2.0 son un repositorio de cinco días sin ninguna verificación de terceros.

Idiomas: cobertura frente a deltas declarados

Ambos modelos abren su presentación con los idiomas, y ambos tienen una historia — pero las historias tienen formas diferentes.

La historia multilingüe de PaddleOCR-VL es una cobertura que ya está disponible: 109 idiomas, con especial profundidad donde el OCR multilingüe es más difícil — documentos chinos antiguos, caracteres chinos poco frecuentes, reconocimiento de sellos y timbres, texto vertical y localización de cajas irregulares para páginas inclinadas o dobladas. Es el analizador que el mundo de los flujos de procesamiento de documentos chinos adoptó precisamente por esa razón.

La historia de NVIDIA-Nemotron-Parse-2.0 es un delta afirmado. El vocabulario crece de 52.329 a 72.256 tokens, y la ficha atribuye el crecimiento al OCR multilingüe, con las mayores ganancias afirmadas en las escrituras CJK e índicas. El salto de MOSCAR de 0,44 a 0,91 y de IndicVisionBench de 0,06 a 0,72 son afirmaciones de que las escrituras que solían fallar ahora se analizan de forma aceptable — en bengalí, hindi, telugu, tamil y seis lenguas índicas más, según la ficha.

Cuál importa depende de lo que se analice. Si tu corpus es en chino o ampliamente CJK, PaddleOCR-VL es la opción probada y respaldada por los rankings, y la única pregunta real es si necesitas su pipeline completo o solo el modelo. Si tu corpus se inclina hacia lo índico — bengalí, hindi, guyaratí, canarés y sus vecinas —, el delta declarado de Parse 2.0 es el número más interesante de su ficha, y es exactamente el tipo de afirmación que o bien se replica con tus datos o bien se derrumba. Nadie ha ejecutado Parse 2.0 en un benchmark índico público todavía.

La brecha de madurez es el precio real.

Ninguno de los dos modelos cuesta nada por página — ambos son pesos libres que te sirves tú mismo — así que el precio que importa es el operativo, y ahí la brecha es amplia.

PaddleOCR-VL es una plataforma consolidada. El soporte nativo de vLLM está en el propio framework (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 o posterior); Baidu ofrece un despliegue oficial de alto rendimiento con una puerta de enlace FastAPI, Triton para la etapa de diseño y vLLM para el VLM; existen cuantizaciones GGUF de la comunidad; PaddleOCR-VL 1.5 añadió soporte para AMD ROCm desde el primer día; y el modelo está integrado en las herramientas que la mayoría ya usa: RAGFlow, MinerU, Umi-OCR y OmniParser lo incorporan. Pasar de 1.5 a 1.6 tiene un coste cero porque la arquitectura no cambia.

NVIDIA-Nemotron-Parse-2.0 tiene cinco días de antigüedad y se nota. Servirlo implica una compilación de vLLM con soporte de código remoto para Nemotron Parse, el backend de atención Triton en hardware de clase A100/A10, y cuatro dependencias adicionales (albumentations, timm, open_clip_torch, einops). El modelo mantiene su cabeza de salida vinculada a los embeddings del decodificador, algo que algunas compilaciones de vLLM manejan incorrectamente a menos que se añada el parche de ejecución incluido de NVIDIA. Además, el tokenizer.json incluido tiene relleno integrado de 9,000 tokens: un mantenedor de Dynamo encontró un caso real a principios de agosto donde un prompt corto se infló hasta convertirse en decenas de miles de IDs de token. Nada de esto es fatal; todo es tiempo de ingeniería que una plataforma establecida nunca exige. Tampoco hay un endpoint alojado ni un empaquetado NIM listado para 2.0, por lo que el autoalojamiento es la única opción.

Velocidad: ambos rápidos, uno declarado.

Para un analizador de páginas, el rendimiento es la cifra que se convierte en dinero. La cifra principal de PaddleOCR-VL es de aproximadamente 1.881 tokens por segundo en una sola A100, afirmada en el lanzamiento de v1.0 y aún reportada por el proveedor — lo suficientemente rápida como para que el modelo de 0.9B se utilice habitualmente en OCR de alto volumen. NVIDIA-Nemotron-Parse-2.0 es un modelo de extremo a extremo de 0.9B, por lo que es rápido por construcción, y el ecosistema ya está yendo más allá: una pull request de vLLM en revisión al 5 de agosto permite la decodificación especulativa mediante la cabeza de predicción auxiliar que NVIDIA incluye junto con los pesos, reportando ganancias medianas de rendimiento de salida del 45,65% con concurrencia 1, del 40,85% con concurrencia 8 y del 39,60% con concurrencia 32 en una H100 sobre las 1.005 páginas de ParseBench. Esa pull request no está fusionada ni reproducida — trata los porcentajes como una indicación de tendencia interesante, no como un benchmark que puedas citar.

¿Quién debería elegir cuál?

{{1}}Elija PaddleOCR-VL si necesita una etapa de análisis que funcione este trimestre:{{/1}} documentos en chino o multilingües CJK, {{2}}extracción de tablas y fórmulas a nivel SOTA,{{/2}} {{3}}implementación con vLLM o Docker,{{/3}} y {{4}}un récord en el leaderboard que pueda señalar en una reunión.{{/4}} {{5}}Es la opción de producción de bajo riesgo,{{/5}} y {{6}}es la respuesta para cualquiera cuya base documental sea mayoritariamente CJK.{{/6}}

• Elige NVIDIA-Nemotron-Parse-2.0 si ya autoalojas la familia Nemotron Parse — 2.0 es una actualización compatible con la misma forma de API — si tu corpus tiene muchas escrituras índicas o escritura a mano y quieres probar si los deltas de la tarjeta se replican, o si una clase semántica dedicada a gráficos vale el tiempo de ingeniería. Presupuesta la fricción de los primeros usuarios y no apuestes una ruta de producción sin antes hacer tu propia evaluación.

• Toma el camino del medio si tu pipeline es realmente "parser, luego LLM" — como lo son la mayoría. El parser es una etapa; el modelo que resume el markdown, extrae campos o responde preguntas de recuperación es una etapa separada, y es en esa segunda etapa donde una plataforma de enrutamiento demuestra su valor. Ninguno de los parsers en esta comparación está en OrcaRouter — ambos son pesos abiertos autoalojados — pero la capa que los rodea es exactamente para lo que sirve OrcaRouter: más de 200 modelos detrás de una sola API al precio de lista del proveedor, 0% de margen, de modo que un recorte de precio del proveedor se aplica el mismo día en que se anuncia, y conmutación automática por error si un proveedor se degrada. La versión práctica de ese consejo: si vas a basar un pipeline en un parser no probado, mantén todo lo que lo rodea intercambiable, de modo que la conmutación por error de Parse 2.0 a PaddleOCR-VL o a un LLM diferente sea un cambio de enrutamiento y no una reescritura.

En resumidas cuentas

La elección aquí no es realmente entre dos modelos: es entre un registro público y una afirmación privada. PaddleOCR-VL 1.6 es el SOTA de pesos abiertos probado: 96.33 en OmniDocBench v1.6, 109 idiomas, una pila de servicio consolidada y el ecosistema ya construido a su alrededor. NVIDIA-Nemotron-Parse-2.0 es el retador silencioso: cinco días de antigüedad, sin anunciar, solo autoalojado, con una tarjeta de modelo que afirma mejoras muy grandes en multilingüismo y escritura manual que nadie ha verificado. El 96.33 y el 0.6391 no se pueden comparar directamente, y pretender lo contrario es así como los equipos terminan citando números que significan cosas diferentes. Si lanzas hoy, lanza PaddleOCR-VL. Si la afirmación multilingüe es lo que tu corpus evalúa, el retador silencioso es una evaluación barata de fin de semana con tus propios documentos: los deltas son del tipo que o se replican o se derrumban, y una publicación silenciosa es la forma más barata de descubrir cuál.

Preguntas frecuentes

¿Puedo comparar PaddleOCR-VL y NVIDIA-Nemotron-Parse-2.0 en un solo benchmark hoy?

No de manera significativa. El 96.33 de PaddleOCR-VL es un compuesto de OmniDocBench v1.6 — el benchmark público compartido del campo — mientras que los números de Parse 2.0 son ParseBench (el propio conjunto de NVIDIA), MOSCAR, IndicVisionBench y un subconjunto de escritura a mano de OmniDocBench, todos reportados por el proveedor. No existe ninguna ejecución independiente de Parse 2.0 en el compuesto de OmniDocBench, ni ninguna ejecución de PaddleOCR-VL en ParseBench. La única superposición es la escritura a mano en OmniDocBench Notes, e incluso allí los dos modelos reportan diferentes tipos de puntuaciones. Hasta que un tercero ejecute Parse 2.0 en el benchmark común, la comparación es como comparar peras con manzanas.

¿Qué modelo maneja mejor los documentos en chino y otros idiomas CJK?

A día de hoy, PaddleOCR-VL, y no hay ni de lejos en cuanto a evidencia. El modelo de Baidu es nativo de CJK, mantiene el estado del arte público en el benchmark por el que el campo se clasifica, y tiene una fortaleza documentada en documentos antiguos chinos, caracteres raros y reconocimiento de sellos. La ficha de NVIDIA-Nemotron-Parse-2.0 afirma grandes mejoras en las escrituras CJK e índicas sobre la v1.2, pero esas cifras son reportadas por el proveedor y no han sido probadas de forma independiente. La afirmación merece la pena comprobarla si procesas esos sistemas de escritura; aún no es un resultado en el que puedas confiar.

¿Son gratuitos ambos modelos, y cómo los ejecuto?

Ambos son pesos libres con uso comercial permitido — PaddleOCR-VL bajo Apache 2.0, Parse 2.0 bajo la Licencia de Modelo Abierto de NVIDIA — pero ninguno es una API alojada en una plataforma de enrutamiento, y Parse 2.0 no tiene ninguna opción alojada en absoluto. PaddleOCR-VL se ejecuta nativamente en vLLM, en el despliegue oficial de Docker de Baidu, y a través del sitio web de PaddleOCR y la API en la nube de Baidu. Parse 2.0 debe autoalojarse con una compilación de vLLM que admita el código remoto de Nemotron Parse, además del parche del cabezal de salida atado y una corrección del tokenizador. La etapa de análisis corre por tu cuenta en cualquier caso; lo que añade una capa de enrutamiento es la etapa de LLM posterior, donde quieres la libertad de cambiar de modelo sin rediseñar el pipeline.