ARACANA

Extraction vérifiée pour documents européens. Un OCR vous dit ce qu'il a lu. ARACANA vous dit si vous pouvez le croire — et refuse d'automatiser quand la réponse est non.

pip install aracana-ocr

Aucune dépendance obligatoire. Aucun GPU. Deux secondes.

Le problème

Les analyseurs de documents — Docling, Marker, MinerU, Azure, Textract — transforment un PDF en texte structuré. Aucun ne vérifie sa propre sortie.

C'est un problème parce que les erreurs modernes sont silencieuses. Un modèle vision-langage ne produit plus des caractères douteux : il produit un texte fluide, plausible et faux. Le taux rapporté d'hallucination sur des montants est de 1 à 3 % — tolérable pour un résumé, disqualifiant pour une écriture comptable.

Et le signal ne vient pas du modèle. Un modèle entraîné explicitement à dire son incertitude en OCR plafonne à F1 = 0,685 (Guan et al., ICLR 2026). Une clé de Luhn détecte 90 % des erreurs d'un chiffre, sans entraînement, en quelques microsecondes.

L'idée

Traiter l'extraction comme une prédiction sélective dont la fonction d'abstention est un ensemble de vérificateurs déterministes exogènes au modèle.

from aracana import decider
from aracana.extract import extraire_champs

d = decider(open("facture.pdf", "rb").read(), extraire=extraire_champs)

print(d.issue)            # auto_post | human_review | rejected
print(d.justification())  # une phrase montrable à un auditeur
for c in d.controles:
    print(c["passed"], c["check"], c["detail"])

Ces vérificateurs sont de l'arithmétique et des tables : clé de Luhn du SIREN, clé TVA française, IDE suisse mod-11, IBAN mod-97 (ISO 7064), référence QR-facture, identité HT + TVA = TTC, réconciliation entre le XML d'un Factur-X et sa page rendue. Un modèle peut halluciner un total qui tombe juste ; ce code ne le peut pas.

Ce qui n'existe nulle part ailleurs

Un Factur-X contient deux représentations du même fait : un XML lisible par machine et une page lisible par un humain. Rien dans la norme ne garantit qu'elles concordent. Le XML part en comptabilité ; la page part devant l'auditeur et le juge.

1 écart entre le XML et la page, 1 bloquant.
  total_incl_vat : XML 1500.00 / page 1600.00

Aucun système à vue unique ne peut détecter cela — l'information n'est pas dans sa vue. Ce n'est pas un avantage empirique, c'est un résultat structurel.

À partir du 1ᵉʳ septembre 2026 en France, puis avec ViDA à l'échelle des 27, ces documents deviennent le flux normal.

Agnostique de l'analyseur

Parser est un protocole, pas une classe à hériter. Quinze lignes suffisent.

from aracana import plugins
from aracana.document import Bloc, Boite, Document, Page, TypeBloc

class MonAnalyseur:
    nom = "le mien"
    def analyser(self, source, **kw) -> Document:
        return Document(pages=[Page(1, 1240, 1754, [
            Bloc(1, TypeBloc.TEXTE, "…", Boite(70, 40, 900, 80))])])

plugins.parser(MonAnalyseur())

Un paquet publié se déclare dans son pyproject.toml et devient disponible dès l'installation :

[project.entry-points."aracana.parsers"]
docling = "aracana_docling:Parser"

Quatre points d'insertion : parsers, verifiers, sinks, tools.

Mesurer ce qui décide

Le banc de référence du domaine, OmniDocBench, est saturé au-delà de 94 % et mesure une distance d'édition — qui compte de la même façon un nom mal accentué et un montant faux.

ARACANA mesure la courbe risque–couverture :

from aracana.riskcov import courbe, optimum_economique

c = courbe(cas, rejouer)
print(c)                                  # AURC, et chaque point
print(c.couverture_a_risque(0.001))       # « combien à moins d'un pour mille ? »
print(optimum_economique(c, cout_erreur=200, cout_revue=2))

Le risque ne compte que les faux acceptés : une erreur détectée et envoyée en revue n'est pas un échec du système, c'est son fonctionnement.

En ligne de commande

aracana trier    facture.pdf              # quelle route, faut-il un modèle ?
aracana verifier facture.pdf              # lecture, contrôles, décision
aracana lot      ./factures --fec sortie/ # FEC + file de revue + audit
aracana extensions                        # ce qui est branché

Traçabilité

from aracana import JournalAudit

j = JournalAudit("audit.jsonl", modele="aracana-ocr-v1")
j.enregistrer(d, document="facture.pdf", octets=octets)
print(j.statistiques())

Une ligne JSON par décision : contrôles passés et échoués, champs lus, versions du code et du modèle, empreintes. Aucun document n'est conservé — un journal qui recopierait les factures deviendrait lui-même une base de données à caractère personnel.

C'est exactement l'artefact exigé par l'article 12 du règlement européen sur l'IA : enregistrement des entrées, des sorties et des points de décision.

Périmètre

Le framework est universel — protocoles, vérification, politique, mesure : rien n'y est européen.

Les packs de vérificateurs que nous maintenons sont européens — France, Suisse, Union. Nous ne prétendrons pas couvrir le GSTIN indien : nous ne saurions pas le maintenir, et un vérificateur mal maintenu est pire que pas de vérificateur — il autorise en silence. Les contributions pour d'autres juridictions sont les bienvenues et n'exigent aucune modification du cœur.

Ouvert et commercial

Tout le traitement est ouvert, sous Apache-2.0 : triage, extraction FR/DE/IT/EN, packs pays, réconciliation, décision, export FEC, lots, mesure, CLI, extensions.

aracana-ocr-pro, sous licence commerciale, ajoute ce qu'exige une organisation et qu'un développeur seul n'utilise pas : journal scellé par chaînage de hachage, dossier de conformité AI Act, outillage RGPD, détection de dérive sur vos documents, connecteurs métier, multi-locataire.

aracana pro     # ce qui est ouvert, ce qui est payant, ce qui est installé

Aucune de ces extensions n'est nécessaire pour lire et vérifier une facture.

Fondation scientifique

La conception découle d'une thèse écrite avant le code, avec ses affirmations falsifiables et ce qui manque encore pour les défendre : RECHERCHE.md — 32 sources, taxonomie des classes d'erreur, protocole de mesure.

État

0.1.0. Le cœur est testé (458 assertions sur la chaîne, 65 sur les garanties du framework). Les adaptateurs Docling, Marker et MinerU, ainsi que le jeu d'évaluation public, sont en cours.

Licence

Apache-2.0. Le modèle ARACANA OCR est dérivé de baidu/Unlimited-OCR (MIT).