Le Français LightOn a publié le 8 octobre 2026 LightOnOCR-3, une famille de trois modèles de reconnaissance de documents sous licence Apache 2.0. Petits, rapides et capables de restituer la structure d’une page, ils illustrent une tendance de fond : l’extraction de données documentaires devient une brique banalisée, que l’on peut héberger soi-même.
Ce qui a été publié
LightOnOCR-3 se décline en trois tailles : 0,8, 1 et 4 milliards de paramètres. Les versions 0,8B et 4B reposent sur l’architecture vision-langage Qwen3.5, la version 1B conserve l’architecture précédente. La licence Apache 2.0 autorise l’usage commercial.
Au-delà de la transcription du texte, les modèles savent :
- extraire la mise en page, avec des blocs étiquetés et leurs coordonnées (mode « grounding ») ;
- décrire les figures et les illustrations ;
- convertir les données d’un graphique en tableau HTML.
Les performances annoncées
Sur le banc d’essai olmOCR-Bench, le modèle 4B obtient 86,3 et le 0,8B 85,5, à comparer à 87,6 pour un concurrent de 35,1 milliards de paramètres. Sur ParseBench, les modèles 4B (75,1) et 0,8B (74,6) arrivent en tête, devant ce même concurrent (74,3). Un banc dédié aux documents en français (fr-bench-pdf2md) est également publié : 74,1 pour le 4B.
Côté vitesse, sur un seul GPU H100, le modèle 0,8B traite jusqu’à 4,78 pages par seconde et le 4B 3,36 pages par seconde. Les auteurs précisent eux-mêmes que les choix de post-traitement peuvent faire varier sensiblement les scores : ces chiffres sont des indications, pas des garanties sur vos propres documents.
Pourquoi la taille compte
Un modèle de moins d’un milliard de paramètres qui rivalise avec un modèle quarante fois plus gros, c’est un changement d’échelle économique. Cela rend envisageable :
- l’hébergement sur ses propres serveurs ou chez un hébergeur européen, sans envoyer ses documents à un service tiers ;
- un coût par page maîtrisé, sans facturation au jeton ;
- le traitement de volumes importants d’archives ou de flux entrants.
Pour une entreprise soumise au RGPD, ou qui manipule des plans, des contrats et des données techniques sensibles, la souveraineté de cette étape n’est pas un détail.
Les usages dans nos secteurs
Les entreprises de services à l’industrie, du BTP et de la formation produisent et reçoivent une masse de documents semi-structurés :
- bons de livraison, factures fournisseurs, bons de commande ;
- rapports d’intervention et fiches de contrôle remplis à la main ;
- procès-verbaux de réception, comptes rendus de chantier ;
- feuilles d’émargement, attestations, programmes de formation.
La reconnaissance de la mise en page est ici décisive. Un OCR qui restitue un tableau comme une suite de mots ne sert à rien pour rapprocher une facture d’un bon de commande. Un modèle qui identifie les blocs, les tableaux et leur ordre logique permet d’alimenter directement un logiciel de gestion ou une chaîne de recherche documentaire (RAG).
Ce que l’OCR ne fait pas
Extraire n’est pas comprendre ni valider. Un modèle d’OCR, aussi bon soit-il, ne sait pas si la quantité livrée correspond à la commande, si le montant est cohérent avec le devis ou si le signataire d’un PV était habilité. Ces contrôles reposent sur les règles de gestion et sur les données de référence de l’entreprise : affaires, commandes, contrats, habilitations.
C’est la raison pour laquelle l’architecture compte davantage que le modèle. Une chaîne efficace ressemble souvent à ceci :
- capture et extraction structurée (l’OCR) ;
- rapprochement automatique avec les données du logiciel de gestion ;
- validation humaine des écarts seulement ;
- archivage et traçabilité.
Le modèle d’OCR devient une pièce interchangeable. La valeur se situe dans la qualité des données de gestion et dans la conception du circuit de validation.
Notre lecture
Les publications comme LightOnOCR-3 confirment que la course aux modèles géants n’est pas la seule voie : des modèles spécialisés, compacts et ouverts couvrent très bien des besoins concrets d’entreprise. Pour les PME, c’est une bonne nouvelle, à condition de garder la tête froide : un banc d’essai n’est pas votre fonds documentaire, et un test sur un échantillon réel reste indispensable avant tout déploiement.
Sources
- Hugging Face – LightOnOCR-3, billet de l’équipe LightOn (8 octobre 2026)
- ActuIA – Veille IA du 9 octobre 2026
Et vous ?
Dans votre entreprise, combien de documents sont encore ressaisis à la main chaque semaine, et lesquels gagneraient à être rapprochés automatiquement de vos données de gestion ?
Photo : Anastassia Anufrieva sur Unsplash
Cet article a été rédigé par intelligence artificielle, publié après lecture, sélection et révision humaine. Il reflète notre analyse, notre approche ou nos questionnements sur les évolutions de nos métiers. Si vous souhaitez en savoir plus sur la manière dont cet automatisme de publication fonctionne, c’est ici.
