Gleich mehrere Forschungsgruppen haben im Juli 2026 bahnbrechende Modelle vorgestellt, die selbst komplexe Dokumente mit nie dagewesener Präzision erfassen. Für Unternehmen und Behörden bedeutet das: Schluss mit manueller Datenerfassung.
Unlimited OCR: 93 Prozent Genauigkeit bei Langdokumenten
Ende Juni präsentierten Forscher ein neues Schwergewicht: Unlimited OCR. Das Modell mit drei Milliarden Parametern basiert auf DeepSeek OCR und setzt auf eine ausgeklügelte Architektur namens Reference Sliding Window Attention (R-SWA). Der Clou: Der Speicherverbrauch bleibt konstant, selbst bei langen Dokumenten. Bisherige Systeme brachen bei solchen Aufgaben oft ein.
Die Ergebnisse können sich sehen lassen. Auf dem Benchmark OmniDocBench v1.5 erreichte Unlimited OCR 93,23 Prozent – ein deutlicher Sprung nach oben. Das Modell verarbeitet über 40 Seiten in einem Durchgang und ist rund 35 Prozent schneller als seine Vorgänger. Möglich macht das ein Mixture-of-Experts-Decoder, von dem jeweils nur 500 Millionen Parameter aktiv sind.
Gemma 4: Googles Allzweckwaffe im Härtetest
Doch spezialisierte Modelle sind nicht die einzige Option. Google DeepMind brachte Anfang April die Gemma-4-Familie an den Start – Modelle zwischen 2,3 und 30,7 Milliarden Parametern. Sie nutzen 2D-RoPE (Rotary Positional Embedding), eine Technik, die Bilder und Text gleichzeitig verarbeitet.
Die Testergebnisse überraschen: Die kleinere Variante E2B-it (2,3 Milliarden Parameter) erreichte auf OmniDocBench einen Score von 0,290. Das größere Modell mit 31 Milliarden Parametern kam dagegen nur auf 0,131. Ein klares Signal: Für präzise Dokumentenextraktion sind spezialisierte OCR-Frameworks den Allroundern weiterhin überlegen.
Benchmark-Duell: LayoutLMv3 schlägt die Konkurrenz
Ein am 7. Juli veröffentlichter Vergleich testete etablierte OCR-Tools auf verrauschten Dokumenten. Die Ergebnisse:
- LayoutLMv3 erreichte einen F1-Score von 0,9168
- EasyOCR punktete mit der niedrigsten Wortfehlerrate (0,2883)
- Donut fiel mit einer Fehlerrate von 2,0997 deutlich ab
Sie wollen die 93%-Genauigkeit von Unlimited OCR auch für Ihre Dokumente nutzen? Dieser Report zeigt in 3 Schritten, wie Sie das passende Tool finden und eine effiziente RAG-Pipeline aufbauen – ohne teures Open-Source-Tuning. Jetzt kostenlosen OCR-Report anfordern
Für handschriftliche Steuerbelege entwickelten Forscher zudem eine kombinierte Methode aus verbessertem DBNet und CRNN. Die Erkennungsgenauigkeit von 95,6 Prozent spricht für sich – und das bei nicht standardisierten Formaten.
LiteParse und RAG-Pipelines: Die Open-Source-Offensive
Die Open-Source-Community liefert fleißig nach. LiteParse, ein in Rust geschriebener Parser unter Apache-2.0-Lizenz, veröffentlichte am 7. Juli die Version wasm-v2.5.0. Das Tool bietet Bindings für Python, Node.js und WASM und nutzt Tesseract für die Texterkennung. Ausgabeformate: Markdown und JSON.
Parallel dazu arbeiten Forscher an besseren RAG-Pipelines (Retrieval-Augmented Generation). Ein aktueller Bericht beschreibt eine Pipeline, die Datenrahmen für Zeilen, Seiten und Inhaltsverzeichnisse erzeugt. Das ermöglicht präzise Antworten mit Quellenangaben – ein Segen für die Recherche in komplexen wissenschaftlichen Arbeiten.
Für Multimodal-Anwendungen bleibt RAG-Anything die erste Wahl. Das Projekt der Universität Hongkong vereint Text, Bilder und Tabellen in einem systemübergreifenden Wissensgraphen. Die Basis: MinerU 2.0 für die initiale Dokumentenanalyse.
Marktüberblick: Was taugen die kommerziellen Lösungen?
Wer keine Zeit für Open-Source-Tuning hat, greift zu kommerziellen Produkten. Die Auswahl 2026:
Manuelle Datenerfassung kostet Ihr Unternehmen Zeit und Geld. Mit der richtigen OCR-Strategie senken Sie Kosten und steigern die Genauigkeit auf über 93%. Der Report vergleicht die 5 besten kommerziellen Lösungen und liefert eine Schritt-für-Schritt-Anleitung für Ihre Pipeline. OCR-Strategie jetzt sichern
- Lido: Template-freie Extraktion für Geschäftsdokumente, mit kostenloser Basisversion
- ABBYY FineReader: Abo-Modell, hohe Genauigkeit für professionelle Anwender
- Google Document AI: Entwicklerorientiert, Abrechnung pro Seite
- Nanonets: Aufwändiger, erfordert Modelltraining für spezifische Dokumenttypen
Eine aktuelle Effizienzstudie namens M3 Proctor zeigt zudem: Wer klug kombiniert, spart. Durch den Einsatz von Text-Proxys vor der vollständigen visuellen Analyse lässt sich der Token-Verbrauch um 70 Prozent senken – bei gleichzeitig höherer Indexierungsgeschwindigkeit. Ein Ansatz, der besonders für Unternehmen mit großen Dokumentenmengen interessant sein dürfte.
