Recetas VLM-OCR en infraestructura GPU

Florent Gbelidji presenta recetas prácticas y agnósticas a la nube para ejecutar inferencia OCR a gran escala con modelos open-source de visión-lenguaje como DeepSeek-OCR, utilizando vLLM para alto rendimiento en GPU. El pipeline modular en tres etapas (extraer, describir, ensamblar) permite procesar miles de documentos en plataformas como Hugging Face Jobs, AWS SageMaker o Google Cloud Run, optimizando costos y escalabilidad. Se destacan avances en modelos OCR como DeepSeek-OCR y el dataset FineVision de 24 millones de muestras para entrenamiento de VLMs. Esta aproximación es relevante para industrias como finanzas y logística, ofreciendo alternativas eficientes a APIs propietarias.