文書画像からレイアウトと文字をまとめて読み取るAI「dots.ocr」が、小さなモデルで大掛かりな仕組みの置き換えを進めています。公開は2025年7月30日。その後も基盤モデルの追加や改称と、動きが続いています[1]。前回の記事では同ファミリーのLLM「dots.llm1」のMoE設計を取り上げました。今回は文書解析担当のdots.ocrについて、設計と評価の中身を追います。
dots.ocrは1.7BのLLMを基にした多言語文書解析モデルです。公開時から、文書解析のベンチマークOmniDocBenchで最高性能(SOTA)をうたっていました[2]。2025年10月31日には、OCRタスクに絞った基盤VLM「dots.ocr.base」が追加されています。dots.ocrの土台となるモデルです[1]。さらに2026年3月19日、後継のdots.ocr-1.5は「dots.mocr」へ改称されました。同程度のサイズのモデルの中でのSOTAも維持しています[1]。重みはHugging Faceで「dots.mocr」「dots.mocr-svg」の2系統が公開されています[1]。
注目はアーキテクチャのシンプルさです。従来の文書解析は、レイアウト検出と内容認識を別々のモデルでつなぐ、多段のパイプラインが一般的でした。dots.ocrはこの2つを1つのVLM(視覚と言語をまとめて扱うモデル)に統合しています[2]。タスクの切り替えは、入力プロンプトを変えるだけです[2]。そのうえで、OmniDocBenchのテキスト・表・読み順でSOTAを達成しています[2]。数式認識はDoubao-1.5やgemini2.5-proといった、はるかに大きなモデルに匹敵する結果を報告しました[2]。VLMでもDocLayout-YOLOのような従来の検出モデルに匹敵する検出ができることを示した、と開発元は説明します[2]。1.7Bという小ささは推論速度の利点にもつながり、大型基盤のモデルより速く動くとされています[2]。
多言語対応も大きな柱です。開発元は100言語・1493枚のPDF画像からなる社内ベンチマーク「dots.ocr-bench」を用意しました[2]。その結果、レイアウト検出と内容認識の両面で、低資源言語(学習データの少ない言語)への明確な優位を報告しています[2]。モデル自体も「ほぼあらゆる人間の文字」を認識できる設計をうたいます[1]。前処理では、tikz_preprocessというパイプラインで画像をdpi 200にアップサンプリングしています[2]。出力のmarkdownからは、ページのヘッダーとフッターのセルを除く工夫も見られます[1][2]。
改称後のdots.mocrでは、方向性がさらにはっきりしました。グラフや図、化学式、ロゴといった視覚的な表現には、人間の知識がぎっしり詰まっています。dots.mocrはこれらをSVGコード(画像をコードで記述する形式)へ直接変換し、統一的に扱います[1]。Web画面の解析や、写真の中の文字の検出にも対応しました[1]。評価にはUniSVGのISVGENという指標を使い、出力SVGをレンダリングした結果と元画像の間でスコアを計算します[1]。技術詳細はarXivの論文でも公開されています[3]。
ただし、数値の読み方には注意がいります。OmniDocBench1.5の数式と表の指標は、検出やマッチングのプロトコルに結果が敏感すぎるため、今回は掲載を見送っています[1]。モデル同士を対戦形式で数値化するEloスコアの評価には、以前取り上げた記事でも触れた通りGemini 3 Flashが使われ、ocrarenaの結果とも整合するとしています[1]。比較対象の数値の出どころも混在しています。Gemini 3 Pro、PaddleOCR-VL-1.5、GLM-OCRはAPI経由、HunyuanOCRはローカル推論と、条件がそろっていないのです[1]。素材には各指標の具体的なスコアの数値はほとんど含まれていませんでした。強さの中身は、公開元のベンチマーク表を直接確認する必要がありそうです。
dotsファミリーの流れを整理すると、一般LLMのdots.llm1から、文書解析のdots.ocr、そしてSVG生成まで含むdots.mocrへと、小さなモデルで扱う範囲を広げてきたことがわかります[1][2]。dots.llm1側も公式リポジトリ[3]や性能評価の資料[3][3]、基盤モデルdots.llm1.baseの重み公開[3]と、下地は整っています。複数モデルをつなぐパイプラインを1つのVLMにまとめ、出力もSVGという共通形式に寄せています。文書や図表をAIに扱わせる設計では、この「統合」の考え方が一つの型として広がっていくかもしれません。
引用ソース
- Web記事 記事全文: GitHub – studio-dots-ai/dots.ocr: Multilingual Document Layout Parsing … — https://github.com/studio-dots-ai/dots.ocr
dots.ocr Designed for universal accessibility, it possesses the capability to recognize virtually any human script. Beyond achieving state-of-the-art (SOTA) performance in standard multilingual document parsing among mod
- Web記事 記事全文: GitHub – GarfieldHuang/dots.ocr — https://github.com/GarfieldHuang/dots.ocr
dots.ocr is a powerful, multilingual document parser that unifies layout detection and content recognition within a single vision-language model while maintaining good reading order. Despite its compact 1.7B-parameter LL
- Web記事 Web検索: GitHub – studio-dots-ai/dots.llm1: The official repository of the dots … — https://github.com/studio-dots-ai/dots.llm1
GitHub – studio-dots-ai/dots.llm1: The official repository of the dots …
- Web記事 Web検索: Performance and Evaluation | rednote-hilab/dots.llm1 | DeepWiki — https://deepwiki.com/rednote-hilab/dots.llm1/4-performance-and-evaluation
Performance and Evaluation | rednote-hilab/dots.llm1 | DeepWiki
- Web記事 Web検索: Performance Benchmarks | rednote-hilab/dots.llm1 | DeepWiki — https://deepwiki.com/rednote-hilab/dots.llm1/4.1-performance-benchmarks
Performance Benchmarks | rednote-hilab/dots.llm1 | DeepWiki
- Web記事 Web検索: dots.ocr: Multilingual Document Layout Parsing — https://arxiv.org/html/2512.02498v1
dots.ocr: Multilingual Document Layout Parsing
- Web記事 Web検索: rednote-hilab/dots.llm1.base · Hugging Face — https://huggingface.co/rednote-hilab/dots.llm1.base
rednote-hilab/dots.llm1.base · Hugging Face
※ 本記事はAIにより、Reddit・Hacker News・5ch・Xトレンドの公開投稿・トレンドを軸に、その話題をWeb検索で深掘りして集めた一次情報(記事全文・HNコメント)を併せて自動生成されました。本文中の[n]は末尾の引用ソース番号です。内容の正確性は保証されません。引用先を必ずご確認ください。
RECENT COMMENTS