Segun MarkTechPost (AI/ML News), Datalab ha lanzado OmniParseBench, una herramienta abierta para evaluar parsers de documentos que analizan imágenes y textos. Esta referencia compara el rendimiento de sistemas de reconocimiento óptico de caracteres (OCR) mediante 16,288 pruebas de sí o no, distribuidas en 2,937 páginas provenientes de 2,343 documentos. Los materiales cubren 92 idiomas distintos, permitiendo una evaluación más representativa de la diversidad de contenidos reales. La herramienta está disponible públicamente, con código y dataset abiertos, y se instala mediante comandos de Python, específicamente con uv pip install omni-parse-bench, requiriendo Python 3.11 o superior. Su funcionamiento es offline, sin necesidad de conexión a redes ni claves API, lo que facilita su uso en entornos internos o sin acceso a servicios externos. Aunque no es un modelo en sí, actúa como un entorno de evaluación que permite a ingenieros medir cómo un sistema responde a documentos específicos, más allá de rankings generales.
El desempeño de los sistemas evaluados se concentra en un margen reducido: los tres mejores resultados se encuentran a menos de 1.3 puntos en el promedio. El líder absoluto es Gemini 3.8 Flash, que obtiene una puntuación de 92.9, seguido por Datalab accurate, que alcanza 92.7. Esta diferencia, aunque aparentemente pequeña, revela que el rendimiento de los parsers depende más de sus configuraciones internas y de cómo interpretan estructuras complejas que de su capacidad para reconocer letras. Lo clave aquí es que cada prueba es una pregunta binaria sobre un documento específico, y el resultado se expresa como porcentaje de pruebas superadas. Esto permite un análisis más fino, ya que los usuarios pueden filtrar los resultados por tipo de contenido, como tablas manuscritas o formularios, y ver cómo se comportan en contextos reales.
Para el lector peruano, este avance es especialmente relevante en entornos de gestión documental. Muchas instituciones, desde bancos hasta empresas de servicios públicos, manejan una gran variedad de documentos en idiomas diversos, incluyendo idiomas indígenas o registros en formato antiguo. La capacidad de evaluar de forma precisa cómo un sistema OCR interpreta textos en diferentes contextos puede ayudar a reducir errores en procesos como la facturación, el registro de trámites o la digitalización de archivos históricos. Además, al evitar dependencias de APIs, esta herramienta se adapta mejor a entornos locales sin conectividad robusta, lo que la convierte en una solución práctica para pequeñas y medianas empresas que buscan automatizar sus operaciones sin comprometer la calidad. En un contexto donde la digitalización se vuelve cada vez más crítica, OmniParseBench ofrece un pilar de validación más accesible y transparente que antes se consideraba fuera de alcance.