V1.1: separar clasificación y extracción de comprobantes
V1.1 conserva el control de 200/200, mejora de 11/14 a 13/14 en la revisión histórica y añade un clasificador con 1190/1194 aciertos. Los conjuntos reales nuevos mantienen el resultado de V1.
Serie: Comprobantes de pago móvil · Versión V1.1
V1.1 retomó GLM-OCR y dividió el trabajo en dos tareas: clasificar la imagen y extraer los cuatro datos visibles. Dos adaptadores independientes comparten una sola base. Esta separación permite evaluar los errores de tipo de imagen y los errores de lectura de manera distinta.
Extracción: conservar lo que funcionaba
- Control histórico automático de 200 imágenes: V1 y V1.1 conservaron 200/200 casos exactos.
- Revisión visual histórica original de 14 imágenes: V1 pasó de 11/14 a 13/14 con V1.1.
- Revisión visual histórica adicional de 5 imágenes: ambas versiones conservaron 5/5.
- 200 imágenes automáticas nuevas: ambos extractores obtuvieron 199/200.
- 30 transcripciones visuales nuevas: ambos extractores obtuvieron 28/30.
La precisión de extracción en los conjuntos reales nuevos se mantuvo, no aumentó. La mejora de 11/14 a 13/14 corresponde al control visual histórico. Mantener esta distinción evita presentar un resultado ya conocido como una nueva prueba independiente.
Clasificación: medir falsas aceptaciones y falsos rechazos
El clasificador acertó 1190 de 1194 imágenes en la mezcla evaluada. Quedaron tres falsas aceptaciones en negativos sintéticos y un comprobante real rechazado. Es un resultado de esta prueba, no una tasa garantizada para producción.
- Rechazó 325/325 fotos y documentos públicos, entre controles históricos e imágenes nuevas.
- Rechazó 119/120 negativos sintéticos históricos y 118/120 negativos sintéticos nuevos.
- Reconoció 29/30 pagos en la revisión visual nueva.
- Reconoció los 180/180 comprobantes sintéticos válidos de los dos grupos de esa clase.
Qué significa «nuevo» en esta evaluación
Se separaron 570 imágenes nuevas y 624 controles históricos. Las etiquetas automáticas se contrastaron con registros; las 30 transcripciones visuales nuevas fueron realizadas con ayuda de un asistente y no constituyen una doble anotación humana.
En los 120 comprobantes sintéticos nuevos, V1 obtuvo 23/120 casos exactos y V1.1 alcanzó 118/120. Son contenidos nuevos del mismo generador utilizado en entrenamiento; sus estilos pueden repetirse. Ese resultado no demuestra generalización a interfaces bancarias nunca vistas.
La elección de adaptadores y del umbral de clasificación se hizo con validación. El control histórico comprobó que la extracción habitual no retrocediera antes de abrir las pruebas nuevas.
¿Por qué IA y no solo OCR?
OCR también es una tecnología de IA. Los modelos multimodales de esta serie combinan visión y lenguaje: seguimos leyendo texto, pero especializamos la tarea de asignarlo a referencia, monto, moneda y fecha. En V1.1 también se separa reconocer el tipo de imagen de leer sus datos.
Un número puede ser una referencia, un teléfono o un identificador; una operación puede estar realizada, pendiente o cancelada. Un OCR con reglas puede resolverlo muy bien si los formatos son estables. Es una alternativa que debe medirse, no descartarse de antemano.
No hicimos una comparación directa contra un sistema OCR con reglas. Además, OCR participó en el etiquetado automático y en el filtrado de casos legibles. El resultado de ese conjunto no demuestra superioridad frente a OCR clásico.
¿Por qué no usar GPT-6 Luna o Claude Haiku?
Son alternativas válidas. La documentación de OpenAI incluye GPT-6 Luna entre sus modelos con entrada de imágenes; la de Anthropic también contempla visión y extracción en Claude Haiku. Las salidas estructuradas ayudan a cumplir un esquema, aunque el contenido todavía puede contener errores.
Aquí investigamos un componente acotado, ejecutable en un entorno propio, con una tarea repetida y un formato de salida verificable. Eso permite controlar versiones y el recorrido de las imágenes durante la inferencia local. También exige preparar datos, mantener el software y asumir el hardware.
No evaluamos Luna ni Haiku con estas mismas imágenes y no calculamos un costo total comparable. Por tanto, no afirmamos que sean más caros, lentos o menos precisos. Para un prototipo o poco volumen, una API puede ser el camino más directo: el PC del usuario no necesita ejecutar el modelo. La elección debe considerar precisión por campo, rechazo de imágenes ajenas, latencia, costos totales y condiciones de uso de los datos.
Qué PC y cuánta RAM hacen falta para usarlo
Se ejecutó sin utilizar la GPU, con RAM normal. La prueba usó un Intel Core i7-12700KF, 4 hilos de CPU, FP32 y una imagen cada vez. Se verificó que todos los parámetros estuvieran en CPU. Se midieron tres imágenes de alta resolución con el modelo ya cargado.
- Pico de RAM del proceso: 7,0 GiB.
- Promedio de inferencia: 53,5 segundos por imagen para clasificación y extracción juntas.
- 16 GB de RAM total es una referencia práctica con margen para el sistema y otras aplicaciones; no un mínimo certificado para cualquier equipo.
La medición CPU utilizó una ruta adaptada a CPU/FP32; el script CUDA original no cambia de dispositivo por sí solo. Estos tiempos son de ese procesador y esas imágenes, sin concurrencia, y no constituyen una nueva evaluación amplia de precisión.
La ruta GPU comparte una sola base entre los dos adaptadores. En cinco imágenes, una a una, se midieron 2,59 GiB asignados por PyTorch, 3,04 GiB reservados y 3,03 GiB de RSS en un entorno de memoria unificada. La media fue de 1,97 segundos por imagen. Esas cifras pueden solaparse y no deben sumarse ni interpretarse como RAM total del equipo.
Para probar la ruta GPU en un PC, una referencia conservadora es una CPU moderna de 4 núcleos, 16 GB de RAM y una GPU NVIDIA con 8 GB de VRAM compatible con CUDA/BF16. Es una orientación con margen, no un mínimo probado; la RTX 3060 de 12 GB es el ejemplo efectivamente medido para V1. La memoria requerida crece con resolución y concurrencia. Las cifras CPU y GPU corresponden a pruebas y precisiones distintas; no son una comparación controlada de velocidad.
RAM del sistema y VRAM de una GPU dedicada son recursos distintos. Los adaptadores pequeños requieren además la base del modelo y el motor de inferencia: el tamaño del paquete de adaptadores no representa todo lo necesario para ejecutarlo.
Alcance de la publicación
Publicamos resultados agregados y conceptos generales del método. Los comprobantes originales, los datos de titulares, las referencias de operaciones y los archivos internos permanecen fuera de estos artículos.
Identificar una imagen de comprobante no verifica el abono bancario, su autenticidad ni si la captura se ha reutilizado. Los resultados de una muestra no son una garantía para todos los bancos, formatos o fotografías.