LightOnOCR-3 lit les documents et retrouve la position de leurs contenus

LightOn publie le 8 octobre 2026 LightOnOCR-3. Cette famille de modèles transforme l’image d’une page en contenu structuré. Elle associe la transcription à la localisation des éléments du document. Trois tailles portent les noms 0.8B et 1B ainsi que 4B. LightOn les distribue sous licence Apache 2.0. Il s’agit de modèles disponibles à télécharger. L’annonce ne décrit pas seulement une future fonction de sa plateforme commerciale.

Retrouver un passage à l’endroit où il apparaît

La fiche du modèle 4B présente deux modes. Sans consigne textuelle, le modèle transcrit les contenus de la page. Avec la consigne « grounding », il ajoute des catégories et les coordonnées des blocs. Il peut aussi décrire une image ou extraire les données d’un graphique dans un tableau HTML. Les coordonnées utilisent une échelle normalisée de 0 à 1000.

Cette localisation donne une autre manière de travailler avec un document. Une réponse ne doit plus seulement renvoyer à un fichier entier. Une application peut retrouver la zone dont elle a extrait un passage. Ça facilite le retour à la source lorsque le lecteur veut contrôler un chiffre ou le voisinage d’une phrase. La position ne prouve toutefois pas que la transcription est correcte. Elle donne un moyen plus précis de la vérifier.

Un outil qui prépare les documents pour d’autres usages

Sur sa page de présentation, LightOn relie cette structure aux applications de recherche et de questions sur les documents. Un paragraphe peut devenir un bloc distinct plutôt qu’une suite de lignes coupées sans contexte. Les tableaux et les illustrations conservent aussi un rôle identifiable. Cette organisation prépare le matériau qu’un autre système pourra ensuite rechercher ou utiliser pour répondre.

La différence compte particulièrement pour les pages à plusieurs colonnes. Lire chaque mot ne suffit pas si la sortie mélange l’ordre des passages. De même, un chiffre extrait d’un graphique perd de son sens sans l’étiquette qui l’accompagne. Une représentation structurée cherche à conserver ces relations. Elle ne garantit pas qu’un modèle de réponse fera ensuite une bonne interprétation. L’extraction et l’explication restent deux étapes différentes.

Des scripts disponibles pour reproduire les mesures

LightOn publie dans son dépôt d’utilisation un client et un visualiseur. Le dépôt comprend aussi le code nécessaire pour reproduire ses benchmarks. Le mode de localisation fonctionne avec la génération 3. Les générations 1 et 2 restent limitées à la transcription simple. Les réglages de taille de page diffèrent également entre les versions. La comparaison ne consiste donc pas à changer un nom sans regarder la configuration.

Le dépôt indique des dépendances précises et signale des incompatibilités entre certaines versions de bibliothèques. Télécharger les poids ne revient pas à disposer immédiatement d’un service prêt sur n’importe quel ordinateur. L’environnement d’exécution compte aussi. L’utilisateur qui héberge le modèle garde notamment à sa charge ce choix de matériel et de logiciel. La licence ouverte n’efface pas ces besoins techniques.

Les scores demandent une lecture attentive

Les mesures publiées viennent de LightOn. L’entreprise explique que les différences de mise en forme peuvent modifier les scores sans changer le sens du texte extrait. Ses essais de vitesse utilisent une carte H100 et une configuration déclarée. La résolution des pages influence le débit. Ces éléments empêchent de présenter un score comme une garantie universelle ou une vitesse annoncée comme celle d’un ordinateur ordinaire.

Le progrès intéressant tient donc à la combinaison de la lecture et de la structure dans un même modèle. Il reste utile de comparer le résultat à la page originale. Une extraction fluide peut cacher une valeur manquante ou une relation mal comprise. Pour échanger sur la lecture des documents et les réponses appuyées sur des sources, vous pouvez contacter David Lacour.

Cette préparation du document complète le rôle décrit dans notre article sur EmbeddingGemma 2 pour rechercher des contenus multimodaux.