Episode Details

昨夜、AIコミュニティにまた一つの衝撃が走りました。 「DeepSeek-V3」などの高性能言語モデルで知られる中国のDeepSeek社が、新しいOCRモデル「DeepSeek-OCR 2」をオープンソースとして公開しました。Hugging Faceにはすでにモデルデータがアップロードされ、Apache 2.0ライセンスという、商用利用もしやすい形で誰でも使えるようになっています。

このモデルの何がすごいのか。それは、AIが「人間の目の動き」を真似し始めた点にあります。

従来のOCR技術は、画像を上から下へ、左から右へと機械的にスキャンしていくのが一般的でした。しかし、これだと雑誌のような複雑なレイアウトや、図表が入り組んだ専門書を読ませたときに、文章の順序がめちゃくちゃになってしまうことがよくありました。 そこでDeepSeek-OCR 2が導入したのが、「Visual Causal Flow（視覚的因果フロー）」という概念です。これは、人間が新聞を読むとき、見出しを見て、本文を読み、図表を参照して……と、意味の繋がりを追いかけて視線を動かすプロセスを、AIの内部処理で再現したものです。

これを支えているのが「DeepEncoder V2」という新しいエンジンです。この技術により、AIは画像を単なる一枚の絵としてではなく、情報の塊ごとの「流れ」として理解できるようになりました。その結果、段組が複雑なドキュメントでも、文脈を正しく保ったまま、きれいなMarkdown形式に変換することが可能になっています。

さらに、このモデルは「Grounding」能力も備えています。例えば、「この書類の中にある『請求金額』という数字はどこにある？」と聞けば、その座標を正確に教えてくれます。これは、RPAなどの自動化ツールと組み合わせる際に非常に強力な武器になるでしょう。

パラメータ数は30億（3B）と、最近の巨大モデルに比べれば非常にコンパクトです。手元のGPUでサクサク動かせるサイズ感でありながら、人間の専門家のような「読む力」を持ったこのAI。私たちの「紙の仕事」を終わらせる強力な助っ人になりそうです。