最近、軽量なエンドツーエンドOCR専門モデル「HyOCR-1.5」が正式リリースされました。一連の技術革新により、軽量なアーキテクチャを維持しながらも、性能と効率が大幅に向上しました。

この分野での最初のフルスタックオープンソースモデルとして、HyOCR-1.5はモデルの重みだけでなく、トレーニングの方法、データ構築手法、および推論加速フレームワークもコミュニティに全面的に公開しています。この取り組みにより、開発者のハードルが大幅に低下し、開発者は簡単に再現・微調整、さらにはコンシューマー向けGPUや通常のノートパソコンにデプロイすることが可能になります。

image.png

長時間の自己回帰的デコードによる遅延のボトルネックを解決するために、研究チームは「DFlash」というインパラティブデコードフレームワークを導入しました。約90.7Mパラメータの軽量なドラフトモデルを使用して並列予測を行い、DFlashは出力の正確性を保ったまま、推論速度を数倍向上させました。権威ある評価テスト「OmniDocBench」において、この技術はTransformer構造で最大6.37倍の高速化を実現し、現在のエンドツーエンドOCRモデルの中でトップクラスの性能を示しています。

モデル能力の進化において、HyOCR-1.5は「エージェント駆動型データフロー」という革新的な戦略を採用しています。研究チームはモデルの弱い点を具体的なタスク目標に変換し、エージェントに独自に分解・語料の収集・クリーニング・検証を任せます。このクローズドループトレーニングモードにより、古文書認識、低リソース言語処理、ページ跨ぎのマルチ図解質問応答などの長尾シナリオの欠点が補完されました。4K解像度入力と128Kのコンテキスト窓のトレーニング最適化と併せ、複雑なドキュメント処理におけるモデルの信頼性が大幅に強化されました。

評価データによると、わずか1Bパラメータ規模のHyOCR-1.5は、多数のタスクで「越級」的な性能を示しました。OmniDocBench v1.6ではエンドツーエンドの第一線に位置するだけでなく、古文書認識や図表解析のタスクでは、8B規模の汎用モデルと同等の性能を達成しています。

HyOCR-1.5のリリースは、エンドツーエンドOCRの大規模モデルがより軽量で、より広範な利用に向けた方向へ進化していることを示しています。知覚と理解の深く融合させることで、企業向けの展開に効率的なソリューションを提供し、個人向けのローカルなドキュメントのスマート処理に堅固な基盤を提供し、さらにOCR技術の業界での実用化を推進します。