NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL: O Desafiante Silencioso vs o SOTA Comprovado

{{1}}O parsing de documentos está no meio de uma corrida SOTA de pesos abertos, e os dois concorrentes não estão jogando no mesmo campo.{{/1}} {{2}}PaddleOCR-VL, o parser de 0,9B da equipe PaddlePaddle da Baidu, ocupa o topo do OmniDocBench v1.6 com uma pontuação composta de 96,33, três lançamentos em dez meses e o maior ecossistema em OCR reunido ao seu redor.{{/2}} {{3}}NVIDIA-Nemotron-Parse-2.0, o outro concorrente, apareceu no Hugging Face em 3 de agosto de 2026, sem anúncio, sem endpoint hospedado e com um model card cujos números ninguém fora da NVIDIA verificou ainda.{{/3}} {{4}}Esse par de fatos transforma isso na questão da incumbência: em qual parser de pesos abertos você aposta o estágio de parsing do seu pipeline — naquele com um histórico público no leaderboard, ou naquele que foi lançado discretamente afirmando que corrigiu os idiomas com os quais todos os outros têm dificuldade?{{/4}}

Duas maneiras de construir um parser de página

Ambos os modelos têm cerca de 0,9B parâmetros, ambos são de peso aberto e ambos são feitos para auto-hospedagem. É aí que a semelhança termina, pois os dois seguem filosofias arquiteturais opostas.

PaddleOCR-VL é um pipeline de dois estágios. Um modelo de layout, o PP-DocLayoutV3, primeiro detecta cada elemento em uma página, classifica-o e prevê a ordem de leitura. Somente então o modelo de visão-linguagem PaddleOCR-VL — um codificador visual de resolução dinâmica estilo NaViT combinado com o modelo de linguagem leve ERNIE-4.5-0.3B da Baidu — reconhece cada região: o texto, as tabelas, as fórmulas, os gráficos. O argumento da Baidu para a divisão é que separar o layout do reconhecimento evita os modos de falha de alucinação e desalinhamento de elementos que os modelos ponta a ponta apresentam em páginas complexas de várias colunas.

NVIDIA-Nemotron-Parse-2.0 é a aposta oposta: um único modelo ponta a ponta. Um codificador de visão ViT-H construído sobre a espinha dorsal C-RADIOv2 da NVIDIA alimenta um decodificador estilo mBART de dez camadas, e todo o conjunto mapeia uma imagem de página diretamente para texto em ordem de leitura, caixas delimitadoras, classes semânticas e markdown em uma única passada. Não há etapa separada de layout para instalar, ajustar ou versionar.

A ficha técnica diz o seguinte:

• Arquitetura — PaddleOCR-VL: detecção de layout (PP-DocLayoutV3) mais um VLM de reconhecimento de 0,9B (codificador NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: um codificador-decodificador de visão de 0,9B (ViT-H C-RADIOv2 + decodificador estilo mBART).

• Contrato de saída — ambos retornam texto em ordem de leitura, uma caixa delimitadora e classe semântica por região, e markdown. O PaddleOCR-VL adiciona prompts específicos de tarefa para reconhecimento de texto, tabela, fórmula, gráfico, spotting e selo; o Parse 2.0 emite tabelas como LaTeX, HTML, markdown, JSON ou CSV e, na versão 2.0, ganhou uma classe semântica dedicada a gráficos.

• Contexto — O PaddleOCR-VL 1.6 suporta até 131.072 tokens de contexto; os documentos de cartão do Parse 2.0 aceitam entradas de até 2048×1664 e um teto de saída de 9.000 tokens.

• Licença — PaddleOCR-VL é Apache 2.0; Parse 2.0 está sob a NVIDIA Open Model License com o tokenizer sob CC-BY-4.0. Ambos permitem uso comercial.

O problema do benchmark: 96,33% vs um número que ninguém pode verificar

Esta é a parte em que o confronto deixa de ser uma comparação e se torna uma questão de sourcing.

A versão atual do PaddleOCR-VL, o PaddleOCR-VL 1.6, datada de 28 de maio de 2026, reporta 96,33% no OmniDocBench v1.6 — um composto de reconhecimento de texto, fórmulas e tabelas, além da previsão de ordem de leitura — e 93,19% no Real5-OmniDocBench, uma variante de robustez para páginas distorcidas, inclinadas e fotografadas de tela, onde a Baidu afirma que ele lidera o Gemini-3-Pro por quase quatro pontos. Esses são números da própria Baidu, mas publicados no benchmark público compartilhado da área, e é por isso que podem ser ranqueados ao lado do MinerU 2.5-Pro, do GLM-OCR e do restante do leaderboard.

NVIDIA-Nemotron-Parse-2.0 relata um conjunto de números diferente em um conjunto de testes diferente. ParseBench geral 0.6391, acima de 0.5782 na v1.2; MOSCAR F1 multilíngue 0.9102, acima de 0.4410; IndicVisionBench ANLS 0.7203, acima de 0.0612; e OmniDocBench Notes distância de edição de escrita manual reduzida para 0.3395 de 0.9739. Cada um desses é da própria NVIDIA, impresso no cartão do modelo, e nenhum foi reproduzido de forma independente. ParseBench é o conjunto da NVIDIA; MOSCAR e IndicVisionBench são conjuntos especializados. Não há execução publicada do Parse 2.0 no composto OmniDocBench que o PaddleOCR-VL lidera, e nenhuma execução do PaddleOCR-VL no ParseBench.

Portanto, a resposta honesta para "quem pontua mais alto" é que ninguém sabe ainda, e qualquer um que afirme o contrário está comparando métricas diferentes. O único ponto de sobreposição é a caligrafia no OmniDocBench Notes, onde o cartão do Parse 2.0 alega uma grande melhoria na distância de edição em relação ao seu próprio predecessor — mas isso é um número em nível de tarefa, não a pontuação composta que o PaddleOCR-VL reporta. A assimetria que realmente importa é estrutural: os 96,33 do PaddleOCR-VL são uma posição no ranking que qualquer um pode consultar, enquanto as alegações do Parse 2.0 são um repositório de cinco dias com zero verificações de terceiros.

Idiomas: cobertura versus deltas declarados

Ambos os modelos abrem sua apresentação com idiomas, e ambos têm uma história — mas as histórias têm formas diferentes.

A história multilíngue do PaddleOCR-VL é uma cobertura que já está disponível: 109 idiomas, com profundidade especial onde o OCR multilíngue é mais difícil — documentos chineses antigos, caracteres chineses raros, reconhecimento de selos e carimbos, texto vertical e localização irregular de caixas para páginas inclinadas ou dobradas. É o parser que o mundo de pipelines de documentos chineses adotou exatamente por esse motivo.

A história do NVIDIA-Nemotron-Parse-2.0 é um delta alegado. O vocabulário cresce de 52.329 para 72.256 tokens, e a ficha do modelo atribui o crescimento ao OCR multilíngue, com os maiores ganhos alegados em escritas CJK e índicas. O salto do MOSCAR de 0,44 para 0,91 e do IndicVisionBench de 0,06 para 0,72 são alegações de que as escritas que antes falhavam agora são analisadas de forma aceitável — em bengali, hindi, telugu, tâmil e mais seis línguas índicas, de acordo com a ficha.

Qual deles importa depende do que você analisa. Se o seu corpus é em chinês ou, de forma mais ampla, em CJK, o PaddleOCR-VL é a escolha comprovada e respaldada pelo leaderboard, e a única questão real é se você precisa do pipeline completo ou apenas do modelo. Se o seu corpus se inclina para as línguas índicas — bengali, hindi, gujarati, canarim e seus vizinhos — o delta reivindicado pelo Parse 2.0 é o número isoladamente mais interessante da sua ficha técnica, e é exatamente o tipo de afirmação que ou se replica nos seus dados ou desmorona. Ninguém ainda executou o Parse 2.0 em um benchmark público de línguas índicas.

O hiato de maturidade é o preço real

Nenhum dos modelos custa nada por página — ambos são pesos livres que você mesmo serve — então o preço que importa é o operacional, e aí a diferença é grande.

PaddleOCR-VL é uma plataforma consolidada. O suporte nativo a vLLM está no próprio framework (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 ou posterior); a Baidu oferece uma implantação oficial de alta performance com um gateway FastAPI, Triton para o estágio de layout e vLLM para o VLM; há quantizações GGUF da comunidade; o PaddleOCR-VL 1.5 adicionou suporte no primeiro dia para AMD ROCm; e o modelo está integrado às ferramentas que a maioria das pessoas já usa — RAGFlow, MinerU, Umi-OCR e OmniParser o integram. Migrar da versão 1.5 para a 1.6 não tem custo algum, pois a arquitetura não mudou.

O NVIDIA-Nemotron-Parse-2.0 tem cinco dias e isso se nota. Para servi-lo, é preciso uma build do vLLM com suporte a código remoto do Nemotron Parse, o backend de atenção Triton em hardware da classe A100/A10 e quatro dependências extras (albumentations, timm, open_clip_torch, einops). O modelo mantém a cabeça de saída atrelada às embeddings do decodificador, algo com que algumas builds do vLLM não lidam corretamente, a menos que você aplique o patch de runtime incluído pela NVIDIA. Além disso, o tokenizer.json que acompanha o modelo tem padding embutido de 9.000 tokens — um mantenedor do Dynamo encontrou um caso em produção no início de agosto em que um prompt curto inchou para dezenas de milhares de IDs de token. Nada disso é fatal; tudo isso é tempo de engenharia que uma plataforma madura nunca exige. Também não há endpoint hospedado nem empacotamento NIM listado para a 2.0, então a auto-hospedagem é a única opção.

Velocidade: ambos rápidos, um declarado.

Para um parser de páginas, a taxa de transferência é o número que se converte em dinheiro. O número de destaque do PaddleOCR-VL é de aproximadamente 1.881 tokens por segundo em uma única A100, declarado no lançamento da v1.0 e ainda informado pelo fornecedor — rápido o suficiente para que o modelo de 0,9B seja usado rotineiramente em OCR de alto volume. O NVIDIA-Nemotron-Parse-2.0 é um modelo ponta a ponta de 0,9B, portanto é rápido por construção, e o ecossistema já está indo além: um pull request do vLLM em revisão desde 5 de agosto permite decodificação especulativa usando a cabeça de predição auxiliar que a NVIDIA distribui junto com os pesos, relatando ganhos medianos de taxa de transferência de saída de 45,65% com concorrência 1, 40,85% com concorrência 8 e 39,60% com concorrência 32 em uma H100 sobre as 1.005 páginas do ParseBench. Esse PR não foi mesclado nem reproduzido — trate as porcentagens como um indicativo direcional interessante, não como um benchmark que você possa citar.

Quem deve escolher qual?

• Escolha o PaddleOCR-VL se você precisar de uma etapa de parsing que funcione neste trimestre: documentos em chinês ou multilíngues-CJK, extração de tabelas e fórmulas em nível SOTA, implantação com vLLM ou Docker e um registro no leaderboard que você possa citar em uma reunião. É a escolha de produção de baixo risco e a resposta para qualquer pessoa cujo corpus seja majoritariamente CJK.

{{1}}Escolha o NVIDIA-Nemotron-Parse-2.0 se você já hospeda internamente a família Nemotron Parse{{/1}} — a 2.0 é uma atualização substituta direta com o mesmo formato de API — {{2}}se o seu corpus tem muitas escritas índicas ou manuscritos e você quer testar se os deltas do card se replicam, ou se uma classe semântica dedicada a gráficos vale um tempo real de engenharia{{/2}}. {{3}}Reserve um orçamento para o atrito de quem adota cedo e não aposte um caminho de produção nisso antes da sua própria avaliação.{{/3}}

• Siga o caminho do meio se o seu pipeline for realmente "parser, depois LLM" — como a maioria é. O parser é um estágio; o modelo que resume o markdown, extrai campos ou responde a perguntas de recuperação é um estágio separado, e é nesse segundo estágio que uma plataforma de roteamento mostra seu valor. Nenhum dos parsers nesta comparação está no OrcaRouter — ambos são pesos abertos auto-hospedados — mas a camada ao redor deles é exatamente para o que o OrcaRouter serve: 200+ modelos atrás de uma única API pelo preço de tabela do provedor, 0% de margem, para que um corte de preço do fornecedor entre em vigor no mesmo dia em que é anunciado, e failover automático se um provedor degradar. A versão prática desse conselho: se você vai apostar um pipeline em um parser não comprovado, mantenha tudo ao redor dele substituível, de modo que o failover de Parse 2.0 para PaddleOCR-VL ou para um LLM diferente seja uma mudança de roteamento, e não uma reescrita.

Conclusão

A escolha aqui não é realmente entre dois modelos — é entre um registro público e uma afirmação privada. PaddleOCR-VL 1.6 é o SOTA comprovado de pesos abertos: 96,33 no OmniDocBench v1.6, 109 idiomas, uma stack de servição consolidada e o ecossistema já construído em torno dele. NVIDIA-Nemotron-Parse-2.0 é o desafiante silencioso: cinco dias de vida, não anunciado, somente auto-hospedável, com uma ficha de modelo alegando ganhos muito grandes em multilinguismo e escrita manual que ninguém verificou. Os 96,33 e o 0,6391 não podem ser comparados diretamente, e fingir o contrário é como as equipes acabam citando números que significam coisas diferentes. Se você vai lançar hoje, lance com PaddleOCR-VL. Se a alegação de multilinguismo é o que seu corpus testa, o desafiante silencioso é uma avaliação barata de fim de semana em seus próprios documentos — os deltas são do tipo que ou se replicam ou colapsam, e um lançamento silencioso é a maneira mais barata de descobrir qual dos dois.

FAQ

Posso comparar PaddleOCR-VL e NVIDIA-Nemotron-Parse-2.0 em um único benchmark hoje?

Não de forma significativa. A pontuação 96,33 do PaddleOCR-VL é um composto do OmniDocBench v1.6 — o benchmark público compartilhado da área — enquanto os números do Parse 2.0 vêm do ParseBench (suíte própria da NVIDIA), MOSCAR, IndicVisionBench e um subconjunto de manuscritos do OmniDocBench, todos relatados pelo fornecedor. Não há execução independente do Parse 2.0 no composto OmniDocBench, nem execução do PaddleOCR-VL no ParseBench. A única sobreposição é em manuscritos no OmniDocBench Notes, e mesmo aí os dois modelos relatam tipos diferentes de pontuações. Até que um terceiro execute o Parse 2.0 no benchmark comum, a comparação é entre maçãs e laranjas.

Qual modelo lida melhor com documentos em chinês e outros idiomas CJK?

Atualmente, o {{1}}PaddleOCR-VL{{/1}}, e não há nem comparação com base nas evidências. O {{2}}modelo da Baidu{{/2}} é nativo de CJK, detém o SOTA público no benchmark pelo qual o campo se classifica e tem força documentada em documentos chineses antigos, caracteres raros e reconhecimento de selos. A {{3}}ficha técnica do NVIDIA-Nemotron-Parse-2.0{{/3}} afirma grandes ganhos em CJK e em scripts indianos em relação ao v1.2, mas esses números são relatados pelo fornecedor e não foram testados de forma independente. Vale a pena testar essa alegação se você processa esses scripts; ainda não é um resultado em que se possa confiar.

Ambos os modelos são gratuitos para usar e como faço para executá-los?

Ambos são pesos livres com uso comercial permitido — PaddleOCR-VL sob Apache 2.0, Parse 2.0 sob a Licença de Modelo Aberto da NVIDIA — mas nenhum deles é uma API hospedada em uma plataforma de roteamento, e o Parse 2.0 não tem nenhuma opção hospedada. PaddleOCR-VL roda nativamente no vLLM, na implantação oficial em Docker da Baidu, e através do site do PaddleOCR e da API em nuvem da Baidu. O Parse 2.0 deve ser auto-hospedado com uma build do vLLM que suporte o código remoto Nemotron Parse, além do patch de tied-output-head e uma correção de tokenizador. A etapa de parsing é por sua conta de qualquer forma; o que uma camada de roteamento adiciona é a etapa de LLM depois disso, onde você quer a liberdade de trocar modelos sem reengenharia do pipeline.