ICDAR 2026 HIPE-OCRepair Competition on LLM-Assisted OCR Post-Correction for Historical Documents

Imagine uma biblioteca enorme e empoeirada onde milhões de jornais e livros antigos foram digitalizados em computadores. O problema? As máquinas que leem o texto (chamadas de OCR) são como bibliotecários cansados e míopes dos anos 1990. Elas apertam os olhos para a tinta desbotada, confundem-se com fontes antigas ou papel rasgado e, frequentemente, digitam palavras sem sentido em vez das palavras reais. Por décadas, corrigir isso significava ou re-digitalizar toda a biblioteca (impossível) ou tentar corrigir manualmente cada erro de digitação (lento demais).

Entra a competição HIPE-OCRepair-2026, um desafio de alto nível onde equipes de especialistas em IA trouxeram seus novos "super-bibliotecários": Grandes Modelos de Linguagem (LLMs). Estes são as IAs cerebrais e ávidas por contexto que conseguem ler uma frase e adivinhar o que vem a seguir com uma fluência incrível. O objetivo? Ver se esses gênios digitais conseguiriam limpar os transcritos bagunçados e cheios de erros sem piorar as coisas.

O Grande Testo: A IA Pode Consertar a Bagunça Sem Quebrá-la?

Os organizadores montaram um jogo complexo. Eles deram às equipes de IA textos ruidosos e quebrados de documentos históricos em inglês, francês e alemão, datando de tão longe quanto os anos 1600. O detalhe? A IA tinha que consertar o texto sem ver a imagem original da página. Era como tentar consertar uma carta rasgada apenas lendo uma fotocópia borrada, sem ter o original para comparar.

As equipes tinham que ser incrivelmente cuidadosas. Se uma IA "alucinasse" — o que significa que ela inventou confiantemente uma palavra que não estava lá ou "modernizou" uma grafia antiga para fazê-la parecer legal hoje — ela falhava no teste. O objetivo não era reescrever a história; era recuperar as palavras exatas que o autor escreveu, apenas sem os erros do scanner.

Os Resultados: Uma Equipe Domina, Mas Não é uma Varinha Mágica

Depois que a poeira baixou, os resultados foram claros, mas sutis.

A Campeã: A equipe BnF-Mistral ficou com o primeiro lugar e não apenas venceu; eles dominaram. O segredo deles não foi apenas usar uma IA inteligente; foi como dar a essa IA um treinamento especializado massivo. Eles pegaram um modelo de 24 bilhões de parâmetros (um cérebro enorme) e o alimentaram com bilhões de tokens de documentos históricos franceses anteriores a 1900, depois o ajustaram especificamente para os dados da competição. Eles até construíram um ciclo de "juiz e tentativa", onde a IA verifica seu próprio trabalho, percebe se está alucinando e tenta novamente até três vezes.

Os números mostram o quão eficaz isso foi. Nos conjuntos de teste, a equipe BnF-Mistral reduziu a taxa de erro (chamada de cMER) significativamente. Por exemplo, em um conjunto de dados alemão ruidoso, eles reduziram a taxa de erro de 0,0546 para 0,0082. Em um conjunto de dados francês, foram de 0,0184 para 0,0040. Em termos simples, eles transformaram um texto que era quase ilegível em algo quase perfeito.

Os Vice-Campeões: Outras equipes tentaram estratégias diferentes. Uma equipe, BLOCR, usou uma abordagem "zero-shot", o que significa que apenas pediram a uma IA pré-treinada para consertar o texto sem nenhum treinamento especial, confiando em instruções inteligentes. Eles foram muito bem, especialmente em textos em inglês, mas não conseguiram alcançar a pesadamente treinada equipe BnF-Mistral. Outra equipe, L3i, tentou o ajuste fino de um modelo menor, mas não teve o mesmo desempenho que os pesos-pesados.

A Linha de Base "Sem Mudanças": Houve também uma equipe de "não fazer nada". Eles apenas entregaram o texto bagunçado como estava. Surpreendentemente, nos documentos mais limpos e menos ruidosos, não fazer nada foi, na verdade, uma estratégia decente. Por quê? Porque as IAs sofisticadas às vezes ficavam entusiasmadas demais. Quando o texto já estava 99% correto, a IA às vezes "corrigia demais", mudando uma palavra antiga correta para uma moderna, ou deletando uma palavra que ela pensava ser um erro. Isso ensinou aos pesquisadores uma lição vital: Mais IA nem sempre é melhor se a IA ficar confiante demais.

O Que o Artigo Descarta (e O Que Não Descarta)

O artigo é muito claro sobre o que esta competição não provou.

• Não é uma solução para tudo: O artigo afirma explicitamente que, embora as LLMs sejam ótimas, elas não são uma varinha mágica que resolve todos os problemas instantaneamente. O desempenho variou drasticamente dependendo do idioma, do tipo de documento e de quão bagunçada era a digitalização original.
• Não é sobre preservação histórica perfeita: O sistema de pontuação foi projetado para buscabilidade, não para manter cada pequeno detalhe histórico (como pontuações antigas estranhas ou quebras de linha). O artigo argumenta que, para encontrar documentos em uma biblioteca, acertar as palavras é mais importante do que manter o layout perfeito. Portanto, se uma IA suavizou um hífen estranho para tornar uma palavra pesquisável, isso foi uma vitória, mesmo que não fosse "diplomaticamente" fiel à página original.
• Ainda não está resolvido: Os autores enfatizam que a "correção excessiva" em textos limpos ainda é um desafio recorrente. Eles não encontraram uma maneira de impedir perfeitamente que as IAs fossem criativas demais quando não deveriam.

A Conclusão para um Adolescente Curioso

Pense nesta competição como um concurso de reparo de carros. Os "carros" eram milhões de transcrições de textos antigos e quebrados. Os "mecânicos" eram modelos de IA.

• A equipe BnF-Mistral foi como um mecânico que estudou motores antigos por anos e trouxe um kit de ferramentas completo. Eles consertaram os carros tão bem que estavam quase novos.
• As equipes Zero-Shot foram como mecânicos que apenas apareceram com um manual genérico e disseram: "Vou tentar consertar". Eles fizeram um bom trabalho, mas não conseguiram igualar o especialista.
• A Linha de Base (Baseline) foi o mecânico que disse: "Não está tão quebrado assim, vou deixar como está". E nos carros menos quebrados, eles estavam certos!

A principal descoberta é que uma IA especializada e bem treinada pode melhorar massivamente o nosso acesso à história, transformando digitalizações ilegíveis em texto pesquisável. Mas o artigo nos avisa: temos que ser cuidadosos. Se deixarmos essas IAs correrem soltas, elas podem começar a "consertar" coisas que não estavam quebradas, mudando a história no processo. O futuro das bibliotecas digitais depende de encontrar esse ponto ideal onde a IA é inteligente o suficiente para corrigir os erros de digitação, mas humilde o suficiente para deixar a história em paz.