Chaos and Order

💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

はじめに
本記事が順位をつけない理由
文書理解でいま本当に難しいこと
読む価値のある技術レポート10本
著者が自ら述べている限界
実務者は何から読むべきか
確認の方法と時点
自分で試す
参考資料

はじめに

シリーズ第2回はOCRと文書理解です。この領域は不思議なことに「すでに解けた問題」として扱われながら、実務では人を苦しめ続けます。RAGパイプラインを作ったことがある人なら、検索品質が埋め込みではなくPDFパーサで崩れる経験を一度はしているはずです。

論文情報は2026-08-12に原文で直接確認しました。この分野は速く変わるため、最新の状態はご自身で確認してください。

本記事が順位をつけない理由

文書パースのスコアはとりわけ危険です。同じ名前のベンチマークでも、バージョンが上がれば文書構成と採点規則が変わります。表構造の復元をどう正規化するか、読み順をどこまで厳密に見るかで、同じモデルのスコアが数点動きます。

そこでここでは「誰が何点」ではなく、各レポートがどの失敗類型を狙ったかを読みます。引用した数値はすべて著者の自己測定であり、独立評価ではありません。

文書理解でいま本当に難しいこと

[文書パースが崩れる箇所]
 レイアウト : 多段組、脚注、キャプションが本文順序を乱す
 表         : 結合セルと入れ子ヘッダの構造復元
 数式       : 画像からマークアップへ戻す
 順序       : 人が読む順序を機械が復元する
 費用       : ページ単価がそのままコーパス規模の上限

最近のレポートの共通した関心は最後の行です。精度を1点上げるより、ページ単価を一桁下げるほうが作れるデータセットの規模を変えるからです。

読む価値のある技術レポート10本

OCR-free Document Understanding Transformer (Donut)

arxiv.org/abs/2111.15664 — 2021-11-30登録、v5は2022-10-06。参照リポジトリはclovaaiです。

OCRエンジンをパイプラインから完全に外そうという提案です。アブストラクトが挙げる理由は今も有効です。OCRの計算費用、言語や文書種別に対する硬直性、そしてOCR誤りが後段へ伝播する問題です。著者らはこれをOCRなし研究の第一歩と自ら位置づけます。

Nougat: Neural Optical Understanding for Academic Documents

arxiv.org/abs/2308.13418 — 2023-08-25登録。

学術PDFをマークアップへ戻すビジョントランスフォーマーです。アブストラクトの問題設定が核心です。PDFは意味情報を失い、その損失は数式で最も大きいという指摘です。数式の多いコーパスを扱うなら、まずこの失敗を理解すべきです。

General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model

arxiv.org/abs/2409.01704 — 2024-09-03登録。

貢献は「文字」の定義を広げたことです。平文だけでなく数式や分子式、表、チャート、楽譜、図形までを一つの5.8億パラメータモデルが扱うと述べます。座標や色で領域を指定する対話的認識、動的解像度、複数ページ対応も併せて提供されます。

olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models

arxiv.org/abs/2502.18443 — 2025-02-25登録、v3は2025-07-02。

10万件超のPDFから取った26万ページで7Bのビジョン言語モデルをファインチューニングしたオープンソースのツールキットです。ここで重要な数値は精度ではなく費用です。100万ページの変換に約176ドルで、著者の計算では商用APIとは桁が違うとされます。併せて公開されたolmOCR-BenchはPDF 1,400件規模です。

DeepSeek-OCR: Contexts Optical Compression

arxiv.org/abs/2510.18234 — 2025-10-21登録。

問題設定が独特です。OCRをテキスト抽出ではなくコンテキスト圧縮の手段として扱います。圧縮比10倍未満でOCR精度97%、20倍でも約60%を保つと報告し、A100 40G一枚で1日20万ページ以上の学習データを作れると述べます。著者らはこの仕事を 妥当性を確かめる初期調査 だと自ら規定します。

DeepSeek-OCR 2: Visual Causal Flow

arxiv.org/abs/2601.20552 — 2026-01-28登録。

後継レポートは視覚トークンの順序に手を入れます。既存のビジョン言語モデルがトークンをラスタースキャン順に固定して入れることが、人の視線移動と食い違うという問題提起です。DeepEncoder V2が言語モデルへ渡す前に視覚トークンを意味に沿って並べ替え、2次元の画像理解を1次元の因果構造二段で解けるかを問います。

GLM-OCR Technical Report

arxiv.org/abs/2603.10910 — 2026-03-11登録、v2は2026-03-16。

0.4BのCogViTエンコーダと0.5BのGLMデコーダを組み合わせた0.9B規模です。デコード加速のためのマルチトークン予測と、レイアウト解析の後に領域ごとの認識を並列で回す2段パイプラインが核心です。エッジと大規模バッチの両方を狙うと述べています。

Qianfan-OCR: A Unified End-to-End Model for Document Intelligence

arxiv.org/abs/2603.13398 — 2026-03-11登録。

4Bのビジョン言語モデル一つでパースとレイアウト解析と理解を束ねます。興味深い仕掛けはLayout-as-Thoughtで、特殊トークンで起動する任意の思考段階で構造化レイアウト表現を先に作ってから最終出力を出します。著者が名指しする問題意識が良いです。端から端まで一体化すると明示的なレイアウト接地能力を失うという点です。報告値はOmniDocBench v1.5で93.12、olmOCR-Benchで79.8、いずれも自己測定です。

MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale

arxiv.org/abs/2604.04771 — 2026-04-06登録、v2は2026-04-09。

このレポートの観察は領域全体への診断でもあります。構造の異なるモデルが同じ難しいサンプルで同様に失敗する、つまりボトルネックはアーキテクチャではなくデータだという主張です。1.2Bの構造をそのままに、学習データを1千万未満から6,550万へ増やし、モデル間の合意でラベル信頼度を上げ、難サンプルを反復的に精製しました。OmniDocBench v1.6で95.69を報告します。先行のMinerU(arxiv.org/abs/2409.18839)も併読すると良いでしょう。

HunyuanOCR-1.5: Making Lightweight OCR VLMs Faster and Better

arxiv.org/abs/2607.04884 — 2026-07-06登録、v2は2026-08-06。

軽量モデルの遅延に正面から取り組みます。トランスフォーマー推論で6.37倍、vLLM環境で2.14倍の高速化を報告し、文書パース、テキストスポッティング、情報抽出、画像翻訳、複数画像理解を一つのモデルに束ねます。データ構築をエージェントで自動化するAgentic Data Flowも紹介されます。

OCRBench v2

arxiv.org/abs/2501.00321 — 2024-12-31登録、v2は2025-06-05。

このリストで唯一モデルではない項目であり、おそらく最初に読むべき項目です。31のシナリオ、人が検証した1万件の問答、非公開テストセット1,500枚で構成されます。著者らの結論は冷静です。多くの大規模マルチモーダルモデルが100点満点で50点未満であり、出現頻度の低いテキスト認識、細粒度知覚、レイアウト知覚、複雑要素のパース、論理推論で崩れると報告します。

著者が自ら述べている限界

DeepSeek-OCRのアブストラクトは、この仕事が妥当性確認段階の初期調査だと明記します。圧縮比ごとの精度を製品仕様のように読むのは誤りです。
Qianfan-OCRのアブストラクトは、端から端まで一体化した方式が明示的なレイアウト解析能力を失う点を問題として認め、その補完策を提示します。
HunyuanOCR-1.5は、古文字OCRや低資源多言語パースといったロングテール能力を改善対象として挙げます。
MinerU2.5-Proはデータ工学の成果であり、構造的制約を解決したとは主張していません。
OCRBench v2が報告した低いスコアは、この領域が解決していないという著者らの直接の陳述です。

実務者は何から読むべきか

パイプラインを初めて作るなら、まずOCRBench v2を読んでください。どの失敗が残っているかを知って始めるのと知らずに始めるのとでは違います。

大規模コーパスを作る必要があるなら、olmOCRとMinerU2.5-Proです。前者はページ単価の視点を、後者はデータ品質の視点をくれます。

遅延が制約ならGLM-OCRとHunyuanOCR-1.5を見てください。どちらも精度ではなくデコード速度を一級の目標に置いています。

コンテキスト費用が悩みなら、DeepSeek-OCR系が面白いです。テキストを画像へ圧縮してコンテキストを節約するという発想自体が別の問題定義です。

確認の方法と時点

本記事の10本はすべて、2026-08-12にarXivのアブストラクトページを直接開いて確認しました。開けなかった候補は引用していません。ベンチマーク数値はすべて著者報告であり、評価ハーネスやプロンプトが変われば値も変わります。

自分で試す

画像からテキスト抽出 (OCR) — ブラウザで直接動くOCRです。手書きや表のある画像を入れてみると、レポートが言う失敗類型が体感できます。
ML学習データエクスプローラー — 文書理解モデルがどんな形のデータを食べるかを例で確認できます。

シリーズ前回: テキストLLMの技術レポート、何を読むか

シリーズ次回: 動画生成・理解の技術レポート、何を読むか

参考資料

OCR-free Document Understanding Transformer (arXiv 2111.15664): arxiv.org/abs/2111.15664
Nougat: Neural Optical Understanding for Academic Documents (arXiv 2308.13418): arxiv.org/abs/2308.13418
General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model (arXiv 2409.01704): arxiv.org/abs/2409.01704
MinerU: An Open-Source Solution for Precise Document Content Extraction (arXiv 2409.18839): arxiv.org/abs/2409.18839
OCRBench v2 (arXiv 2501.00321): arxiv.org/abs/2501.00321
olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models (arXiv 2502.18443): arxiv.org/abs/2502.18443
DeepSeek-OCR: Contexts Optical Compression (arXiv 2510.18234): arxiv.org/abs/2510.18234
DeepSeek-OCR 2: Visual Causal Flow (arXiv 2601.20552): arxiv.org/abs/2601.20552
GLM-OCR Technical Report (arXiv 2603.10910): arxiv.org/abs/2603.10910
Qianfan-OCR: A Unified End-to-End Model for Document Intelligence (arXiv 2603.13398): arxiv.org/abs/2603.13398
MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale (arXiv 2604.04771): arxiv.org/abs/2604.04771
HunyuanOCR-1.5: Making Lightweight OCR VLMs Faster and Better (arXiv 2607.04884): arxiv.org/abs/2607.04884