AI Navigate

マルチモーダルOCR：文書からあらゆる要素を解析する

arXiv cs.CV / 2026/3/16

📰 ニュースTools & Practical UsageModels & Research
原文を読む →
共有:

要点

  • MOCRはdots.mocrを導入します。テキストとグラフィックスを統一的なテキスト表現に同時に解析するマルチモーダルOCRシステムで、チャート・図・表・アイコンを第一級の解析対象として扱います。
  • このアプローチは、異種の文書要素に対するエンドツーエンドの訓練を可能にし、グラフィック領域を再利用可能なコードレベルの教師信号へと変換し、マルチモーダル学習を促進します。
  • 著者らはPDF、レンダリング済みのウェブページ、ネイティブSVG資産からデータエンジンを構築し、段階的な事前学習と監督付きファインチューニングを通じて、30億パラメータのコンパクトなモデルを訓練します。
  • 評価では、dots.mocrは文書解析ベンチマークで上位に位置し、OCR Arena EloではGemini 3 Proに次ぐ2位を獲得、olmOCR Benchで新たな最先端スコア83.9を達成し、さらに画像からSVGへのタスクにおける構造化グラフィック解析でも優位性を示します。
  • 本研究は、マルチモーダル事前学習のための大規模な画像-to-codeコーパスへ向けたスケーラブルな道筋を示しており、コードとモデルは公開されています。

関連おすすめサービス

※当サイトはアフィリエイト広告を利用しています
🎧

Notta搭載AI議事録イヤホン ZENCHORD1

AI時代の仕事術。Notta搭載で会議の議事録を自動生成するスマートイヤホン。

🎙️

AI搭載ボイスレコーダー Plaud

世界100万人が愛用。AIで文字起こし・要約を自動化するボイスレコーダー。

🖼️

画像高画質化AIツール Aiarty Image Enhancer

AIで画像を高画質化。写真・イラストを簡単にアップスケール。