最近、1.7Bパラメータの軽量なビジュアル-言語モデルである「dots.ocr」がAI分野で広く注目を集めています。このモデルは、優れた性能と統一されたレイアウト検出およびOCR機能により、ドキュメント処理分野で新しいスターとなっています。

軽量かつ効率的: 1.7BパラメータでSOTA性能を達成

dots.ocrはわずか1.7Bパラメータの言語モデルに基づいて構築されており、多くのドキュメント解析ツールがより大きなモデルに依存していることと比べて、推論速度が速く、単ページのPDFを数秒で処理できます。モデルの規模が小さくても、dots.ocrはテキスト、テーブル、読み順の解析において優れた性能を発揮し、業界でトップレベル（SOTA）の水準に達しています。公式の認識能力では、Doubao-1.5やgemini2.5-proなどの大規模モデルと同等の性能を持つことが可能です。この高い効率性により、開発者や企業にとって理想的な選択肢となっています。

image.png

多言語サポート: 100種類以上の言語をカバーする強力な能力

dots.ocrは多言語ドキュメントの解析において優れた性能を発揮しており、特にリソースが少ない言語の処理において顕著な優位性を示しています。このモデルは中国語、英語など100種類以上の言語をサポートしており、多言語ドキュメント内のテキストやレイアウト要素を正確に認識することができます。複数言語が混在したドキュメントの処理や、複雑な言語環境への対応でも安定した解析結果を提供でき、グローバルなアプリケーションに強いサポートを提供します。

高精度なレイアウト検出: ドキュメント要素を全面的に解析

ドキュメントのレイアウト検出において、dots.ocrは非常に強力な能力を持っています。このモデルは、ドキュメント中の見出し、段落、画像、テーブルなどのさまざまなレイアウト要素を正確に認識し、位置とカテゴリを明確に識別できます。統一されたビジュアル-言語アーキテクチャにより、従来のマルチモデルパイプラインによる複雑さを回避し、処理プロセスを簡略化しつつ、良好な読み順を保ち、解析結果がドキュメントの論理構造に合致することを確保しています。

image.png

テーブルと式の解析: 高精度とフォーマットの保持

dots.ocrはテーブルと式の解析において特に優れた性能を発揮しています。このモデルは、テーブルの境界、セルの位置および内容を正確に検出でき、抽出結果は非常に正確であり、構造化データが必要なシナリオに適しています。式の認識に関しては、複雑な数学式を処理できるだけでなく、元のレイアウトを保持してLaTeX形式で出力することが可能で、学術研究や専門的なドキュメント処理に非常に便利です。ただし、特殊な細部の処理については改善の余地がありますが、全体的な性能は業界のトップモデルと比較しても十分に競争力があります。

応用場面と限界

dots.ocrの高速な処理能力和多機能性により、様々な場面での広範な応用可能性を備えています。例えば、ドキュメントのデジタル化、学術研究、データ抽出などです。しかし、現在のモデルは高複雑度のテーブルや式の処理にはまだ完全に完成しておらず、画像内容の解析はサポートしていません。また、ドキュメントの文字ピクセル比が高すぎる場合や、連続した特殊文字（省略記号や下線など）を含んでいる場合、解析に問題が生じることがあります。このような場合には、画像解像度を調整するか、特定のヒントワードを使用して結果を最適化することをお勧めします。開発チームは、今後モデルをさらに最適化し、テーブルや式の解析能力を強化し、より汎用的なビジュアル-言語感知モデルの探索を目指す予定です。

ドキュメント解析分野における革新の指針