Como extrair tabelas de contratos com VLM pequeno (Nemotron Parse)

Extrair tabelas de contratos com VLM pequeno virou a aposta da Docusign e da NVIDIA para transformar acordos em dados consultáveis. O modelo tem cerca de 900 milhões de parâmetros, roda em um único passo e devolve ordem de leitura, estrutura semântica e tabelas preservadas, em vez de só texto corrido.

O que muda ao extrair tabelas de contratos com VLM pequeno

Extrair tabelas de contratos com VLM pequeno significa usar um modelo de visão e linguagem enxuto, feito para ler a página inteira e devolver a tabela estruturada, em vez de gerar texto livre. Na prática, isso substitui uma pilha de modelos separados de layout e de tabela por uma única passada de inferência.

A Docusign, plataforma de assinatura e gestão de acordos, e a NVIDIA, fabricante de GPUs e de software de IA, descreveram esse modelo em uma palestra na conferência AI Engineer, intitulada "Your Agreements Are a Database You Can't Query", publicada em setembro de 2026. O modelo pertence à linha NVIDIA Nemotron e recebeu o nome de Nemotron Parse.

O argumento central é simples: a informação que importa em um contrato quase sempre vive dentro de uma tabela. Faixas de preço (pricing tiers), SKUs, SLAs e rate cards são exatamente o que compradores e vendedores precisam consultar depois da assinatura.

Um extrator genérico lê a página linha por linha. Ao fazer isso, ele destrói células mescladas e colunas aninhadas, que são justamente a estrutura que dá sentido ao número.

A Docusign enquadra o problema em escala: são 1,9 milhão de clientes pagantes e 1 bilhão de usuários, o que gera aproximadamente 1 milhão de acordos processados por dia. Um estudo citado na palestra, feito em parceria com a Deloitte, estima US$ 2 trilhões em valor negociado preso dentro desses acordos, porque ninguém volta para recuperar o dado. O motivo é operacional: leitura humana, sistemas desconectados e fluxos manuais.

Modelo pequeno, contexto menor e custo menor no servidor

Um modelo de cerca de 900 milhões de parâmetros reduz latência e custo por documento em comparação com VLMs de vários bilhões de parâmetros. Essa foi a justificativa explícita da Docusign para escolher a abordagem enxuta em vez de um modelo generalista grande.

Hiral Shah, diretora sênior de produtos da Docusign, afirmou na palestra que contexto menor significou, para o caso de uso dela, latência menor e custo menor por extração.

Sean Sodha, gerente de produto na NVIDIA, descreveu o Nemotron Parse como um modelo único que recebe o documento e devolve formatação semântica, layout, texto, ordem de leitura e estrutura de tabela preservada. Ele reforçou que o modelo extrai, não gera conteúdo novo.

Sodha também explicou o que o modelo substitui: em vez de rodar vários modelos pequenos, como um YOLO para extrair tabela e outro para extrair elementos de página, você alimenta o documento uma vez e recebe tudo de volta. É um modelo de passo único (single-shot).

O Nemotron Parse pode ser servido de duas formas: pelo NVIDIA NIM, o pacote de inferência da própria NVIDIA, ou pelo LLM, o runtime de inferência de código aberto. Vale separar as camadas: o modelo é aberto, mas o produto que o consome é uma plataforma comercial. A Docusign usa o extrator dentro do próprio pipeline, e a NVIDIA publica pesos, técnicas e blueprints da linha Nemotron.

Nemotron Parse, RD Table Bench e o que o benchmark cobre

A NVIDIA apresentou o Nemotron Parse comparado a modelos abertos populares em um benchmark de extração de tabelas. Sodha identificou a referência como RD Table Bench, e os números exibidos eram relativos àquela configuração específica.

Atenção ao escopo: um resultado em benchmark de extração de tabelas não prova desempenho em toda tarefa com documentos, nem substitui avaliação no seu próprio corpus. O próprio apresentador disse que a equipe continua ajustando o modelo ao longo do tempo.

A Docusign também reportou um número de velocidade relativo. Shah disse que o Nemotron foi cerca de 20 vezes mais rápido que outros modelos abertos testados na métrica de quantas tabelas o modelo extrai por segundo.

Esse número é uma medição da própria empresa, no contexto do pipeline dela, e não uma medição independente. Trate 20x como resultado reportado pelo fornecedor para aquela tarefa, não como ganho geral de velocidade de inferência.

A NVIDIA posiciona o trabalho dentro de uma meta de desempenho que ela chama de curva de Pareto entre acurácia e performance. A ideia é simples: publicar modelos que sejam bons nos dois eixos ao mesmo tempo. Sodha afirmou que a equipe lidera rankings no espaço de recuperação, citando os modelos Vidore V1, V2 e V3, além de MTEB e MMEB.

Como funciona o pipeline da Docusign com a NVIDIA

A Docusign montou duas rotas de processamento. Uma delas usa o Nemotron Parse para entender o layout e extrair tabelas; a outra segue com OCR tradicional para metadados e campos textuais que não dependem de estrutura tabular.

Shah descreveu essa divisão como abordagem híbrida. A empresa mantém um modelo proprietário de dados de acordo para estruturar cada contrato e o conjunto inteiro, além de uma camada de busca sobre esses dados.

O fluxo, do documento bruto ao dado utilizável, passa por estas etapas:

1. O usuário envia o acordo para o Agreement Manager, que é o repositório central de todo acordo que a organização já assinou. O upload pode vir do computador ou de outras fontes.
2. O sistema processa o arquivo com IA. O motor de jobs devolve o documento já processado em segundos.
3. A plataforma monta um conjunto de metadados: termos-chave e detalhes comerciais são estruturados e destacados, com link direto para a seção de origem.
4. O Nemotron Parse entra na camada de detalhe e quebra as tabelas densas em detalhes de pedido (order details), preservando linhas, colunas e células mescladas.
5. A saída fica consultável e exportável. O Agreement Manager permite baixar a tabela em CSV para os times de finanças e de compras, e o mesmo dado é acessível por API.

O ganho prático aparece na ponta: um diretor de unidade de negócio, um CTO ou um comprador consegue responder sobre um contrato sem abrir o PDF no olho.

Do lado da NVIDIA, o Nemotron Parse é posicionado como parte de uma família maior de modelos de recuperação. A linha Nemotron Retriever cobre embeddings, reranqueamento e extração de documentos. Na NVIDIA, a taxonomia é explícita: primeiro encontrar o documento certo dentro de um corpus de petabytes, depois encontrar a informação certa dentro do documento. O Nemotron Parse resolve o segundo problema.

Docusign, NVIDIA e a divisão de responsabilidade entre as duas empresas

A arquitetura de extração em si foi construída em parceria, mas a propriedade de cada peça não é a mesma. A Docusign é dona do produto, do modelo de dados de acordos e do pipeline de negócio que consome a saída.

A NVIDIA é dona do Nemotron Parse e da família Nemotron. Ela publica pesos, técnicas de quantização, destilação e poda, além de blueprints para agentes. O benchmark de tabelas apresentado também é da NVIDIA.

Essa distinção importa ao comparar soluções. Se você adota o modelo aberto, seu resultado depende da sua configuração, do seu corpus e da sua etapa de pós-processamento, não do pipeline específico da Docusign.

Os números de escala divulgados, como 1,9 milhão de clientes pagantes e 1 bilhão de usuários, são afirmações da própria Docusign na palestra. Eles descrevem a operação da empresa, não uma medição de mercado.

OCR continua na arquitetura, e a escolha depende da latência

OCR não desapareceu do fluxo. A decisão entre pré-processar tudo e consultar sob demanda depende do perfil de latência e de volume de cada caso de uso discutido na sessão.

Sodha explicou a troca: se você tem petabytes de documentos que precisam ficar consultáveis depois, o caminho é gastar computação pesada no início. Se o usuário envia um contrato para perguntas pontuais, o caso é de baixa latência e processamento sob demanda.

Nesse segundo cenário, tamanho de lote, concorrência e técnicas de processamento mudam. Onde você gasta o cálculo dentro do ciclo de vida do documento também muda.

A tabela abaixo resume os dois perfis descritos na palestra.

Dimensão	Pré-processar tudo	Consulta sob demanda
Volume típico	Petabytes de documentos	Um contrato por pergunta
Onde o cálculo acontece	No início, na ingestão	Na consulta, ao vivo
Métrica que pesa	Throughput alto	Latência baixa
OCR pesado	Faz sentido	Evitável
Ajuste relevante	Tamanho de lote e concorrência de ingestão	Tamanho de lote e concorrência da consulta

No caso da Docusign, parte dos campos e metadados continua passando por OCR, enquanto a estrutura de tabela fica com o modelo de visão.

Shah deu um exemplo concreto de uso downstream: um time de compras extrai uma tabela de preços e quer levá-la para um sistema de contas a pagar, para garantir que a fatura cobre o valor contratado. Esse trabalho não é feito documento por documento; ele depende do dado já estruturado.

O que a equipe aprendeu sobre modelo sob medida e quantização

A primeira lição relatada foi escolher um modelo sob medida para a tarefa. Shah disse que essa decisão acelerou a entrega do recurso ao mercado, em vez de tentar resolver tudo com um modelo generalista.

A segunda lição foi eficiência. O modelo opera atualmente em FP16, e Sodha citou caminhos para FP8 e NVFP4 nos meses seguintes à palestra. Ele também mencionou que a arquitetura permite geração de múltiplos tokens, ainda não implementada naquele momento.

A terceira lição foi velocidade de extração. Shah relacionou a taxa de tabelas por segundo diretamente à necessidade de atender milhões de acordos, e não a um ganho abstrato de benchmark.

O roteiro de otimização tem uma ordem definida. A equipe prioriza acurácia primeiro, para provar valor no sistema, e só depois empurra a curva de performance. As alavancas citadas são quantização, com a migração para a arquitetura Blackwell para habilitar NVFP4, e geração de múltiplos tokens para uma arquitetura de encoder-decoder como a de um VLM.

Sobre a relação entre número de parâmetros e contexto, Shah fez uma ressalva que vale para quem está escolhendo modelo: contexto e tamanho importam, mas para o caso de uso dela o contexto menor significou latência e custo menores.

Nemotron Parse é distribuído pela linha Nemotron, que a NVIDIA posiciona como um programa de modelos abertos com publicação de pesos e técnicas. Verifique a licença e a versão vigentes antes de usar em produção.

Armadilhas comuns ao extrair tabelas de contratos com VLM pequeno

Extrair tabelas de contratos com VLM pequeno resolve um problema específico, mas não substitui governança de dados nem validação humana em cláusulas críticas. A própria equipe descreveu o modelo como extrator, não como fonte de verdade.

Células mescladas, colunas aninhadas e tabelas que se referenciam entre documentos são o motivo de ferramentas genéricas falharem. Um contrato pode governar outro, que altera um terceiro, e responder uma pergunta simples pode exigir atravessar anos de documentos.

Sodha deu um exemplo desse tipo de pergunta: quanto foi contratado em tokens de um fornecedor de IA específico. A informação existe, mas está enterrada dentro de um acordo, em formatos diferentes, e ninguém sabe responder de cabeça.

Guardar a saída estruturada não garante que o número extraído esteja correto. Preserve o vínculo com a página de origem, para que um humano consiga conferir a célula antes de usar o valor em cobrança.

Escala e privacidade são dimensões separadas. Processar localmente ou dentro do seu ambiente ajuda a manter o documento sob seu controle, mas não equivale, por si só, a conformidade regulatória.

Ferramentas e termos citados na sessão

Quem acompanha o ecossistema brasileiro de desenvolvimento encontra projetos como o Crazystack Typescript, ligado ao conteúdo do Gustavo Dev Doido e ao Bootcamp do Dev Doido. São iniciativas de formação, não componentes do pipeline da Docusign ou da NVIDIA. O material do Crazystack Typescript fica em crazystack.com.br.

A tabela abaixo separa as peças técnicas discutidas na palestra e o que cada uma faz.

Peça	O que é	Quem mantém
Nemotron Parse	VLM de cerca de 900 milhões de parâmetros para extração de layout e tabela	NVIDIA
Nemotron Retriever	Família de embeddings, reranqueamento e extração de documentos	NVIDIA
NVIDIA NIM	Pacote de inferência que serve o modelo	NVIDIA
Agreement Manager	Repositório e interface que mostram o dado extraído, com exportação em CSV e acesso por API	Docusign
OCR	Rota paralela para metadados e campos textuais sem estrutura tabular	Docusign (no pipeline dela)
RD Table Bench	Benchmark de extração de tabelas usado na comparação	NVIDIA

Para referência primária sobre o modelo e as técnicas abertas da linha Nemotron, vale acompanhar a documentação oficial da NVIDIA e o repositório de modelos abertos da empresa no Hugging Face, onde os pesos e as fichas de modelo são publicados.

Perguntas frequentes sobre extração de tabelas em contratos

O que é o Nemotron Parse?

É um modelo de visão e linguagem da linha NVIDIA Nemotron, com cerca de 900 milhões de parâmetros, criado para extrair layout, ordem de leitura e estrutura de tabelas de documentos. Ele funciona como extrator, não como gerador de texto, e foi apresentado pela NVIDIA em parceria com a Docusign na conferência AI Engineer, em setembro de 2026.

Por que um VLM pequeno em vez de um modelo de vários bilhões de parâmetros?

Pelo custo e pela latência no volume de produção. A Docusign afirma processar cerca de 1 milhão de acordos por dia, e um modelo enxuto reduz o custo por documento. Números de velocidade, como o de 20x mais tabelas por segundo, são medições reportadas pela própria empresa.

O OCR deixa de ser usado?

Não necessariamente. A Docusign mantém uma rota de OCR para metadados e campos textuais, enquanto o modelo de visão cuida da estrutura de tabela. A escolha entre pré-processar tudo e consultar sob demanda depende do perfil de latência e de volume de cada caso.

Qual é a diferença entre extrair e gerar?

Um extrator devolve o que está no documento, preservando a estrutura original. Um gerador produz texto novo, o que abre espaço para invenção de valores. Em contratos, essa diferença é o que separa dado auditável de texto plausível.

O que o benchmark de tabelas prova?

Prova o desempenho daquele modelo naquela tarefa e configuração específicas. Ele não prova que o modelo funciona bem em todo tipo de documento nem substitui um teste no seu próprio corpus de contratos.

Posso usar o Nemotron Parse no meu produto?

A NVIDIA publica pesos e técnicas da linha Nemotron, mas licença, versão e requisitos de hardware mudam. Confirme a licença vigente e a matriz de hardware suportada antes de colocar em produção.

Como a Docusign expõe o dado extraído?

Pelo Agreement Manager, que mostra os termos extraídos, leva à seção de origem e permite exportar a tabela em CSV, com acesso também por API para os times de finanças e compras.

Extrair tabelas resolve o problema de contratos aninhados?

Ajuda, mas não sozinho. Acordos podem governar ou alterar outros acordos, e responder uma pergunta pode exigir atravessar vários documentos e anos de histórico.

Quais cuidados tomar antes de confiar no valor extraído?

Mantenha o vínculo com a página de origem e submeta cláusulas críticas a revisão humana. A saída estruturada indica onde o número está, mas não garante que ele esteja correto para fins de cobrança.

Qual formato de arquivo o pipeline precisa aceitar?

Os contratos chegam em formatos não estruturados, principalmente PDF e PNG. Como a entrada é a página renderizada, o modelo lê o que está na imagem, e não o texto já codificado no arquivo.

O que a NVIDIA pretende fazer depois da extração?

A parceria vai para a etapa anterior: encontrar a página certa dentro do corpus, usando a linha Nemotron Retriever. Depois disso, as duas empresas planejam trabalhar com o NVIDIA Agent Toolkit e escalar para agentes em produção.

Como o time de finanças recebe o dado?

A exportação em CSV é o caminho mais direto para levar a tabela a uma ferramenta de contas a pagar ou de análise. O mesmo conteúdo também fica disponível por API, para integrar direto em um sistema interno.

Source video

Transforme o que você já explicou em vídeo em artigo

A palestra mostra o valor de tirar dado de onde ele está preso: informação que existe, mas ninguém consegue consultar. O mesmo acontece com o conhecimento que fica só dentro de um vídeo no YouTube.

Se você tem uma entrevista, uma aula ou uma explicação técnica gravada, o Skala Blog transforma esse material em um artigo escrito. Você cola a URL do vídeo, o Skala Blog transcreve o conteúdo e gera o texto, sem você precisar reescrever tudo do zero.