最近、IBMは新規の視覚言語モデル「Granite 4.0 3B Vision」を正式に発表しました。このモデルは30億パラメータを持ち、企業向けの複雑なドキュメントからのデータ抽出タスクを深く最適化しており、金融、法務、医療などの業界でデジタルトランスフォーメーションにおいて直面する非構造化データ処理の課題を解決することを目的としています。

このモデルは、複雑なテーブルやスキャンされた資料、マルチモーダルレイアウトを含むドキュメントを処理する際には特に優れた性能を発揮します。視覚理解と言語生成を密接に統合することで、ドキュメント内のキーポイント情報を正確に識別し、直接利用可能な構造化データに変換することができます。これにより、企業のオフィス作業効率が大幅に向上します。

IBM

軽量アーキテクチャでパフォーマンスとコストの両立を実現

数十億パラメータを持つ大規模モデルと比べて、Granite 4.0 3B Visionは軽量なアーキテクチャを採用しています。この特徴により、クラウド上で効率的に動作できるだけでなく、エッジ側のデバイスにも簡単に導入可能です。応答速度を確保しながら、企業がハードウェアの計算能力にかかるコストを著しく削減できます。

文書インテリジェンス（Document AI）に関する多数の基準テストでは、このモデルは複雑な指示の理解やグラフ分析における精度が業界をリードしています。これにより、高価なサーバー集約なしでも、正確で安全なドキュメント解析能力を手に入れることが可能になります。

オープンソースエコシステムにより企業独自のAIアプリケーション構築を支援

注目すべき点は、IBMが継続的にオープンソースとオープンな原則を堅持していることです。このモデルと開発ツールは、オープンソースコミュニティを通じて配布されています。開発者は自身の業界固有のニーズに合わせてモデルを微調整し、特定のビジネスシナリオに適合した自動化ワークフローを迅速に構築できます。