Episode Details

2026年1月29日、オープンソースコミュニティHugging Faceにて、ドキュメント解析の新たな決定版とも言えるモデル「PaddleOCR-VL 1.5」が公開され、開発者たちの間で話題を呼んでいます。BaiduのPaddlePaddleチームが送り出したこのモデルは、一言で言えば「驚くほど軽くて、人間のように賢いOCR」です。

これまで、紙の書類をデジタル化するOCR技術といえば、文字をテキストデータに変換するのが精一杯で、複雑な表組みや数式、あるいはかすれた文字などは苦手としていました。しかし、今回アップデートされたバージョン1.5は、単なる文字認識エンジンではありません。視覚と言語を同時に処理するVLM（Vision-Language Model）という最新技術を採用しており、人間が書類を見るように、レイアウト全体を俯瞰しながら「ここは表のヘッダーだ」「ここは数式だ」と理解して読み取ります。

特筆すべきは、その「サイズ」です。通常、こうした高度な認識を行うAIは巨大な計算資源を必要としますが、PaddleOCR-VL 1.5のパラメータ数はわずか0.9B（9億）〜1.0B程度。これは、最新のスマートフォンのチップでも十分に動作する軽さです。つまり、インターネットに接続できない機密書類や、プライバシーに関わる医療データなどを、クラウドに送ることなく、その場の端末内で完璧にデジタル化できるようになるのです。

日本語を含む109言語に対応し、特に乱雑に書かれたメモや、レイアウトが崩れた古い資料の復元において、従来のツールを圧倒する性能（SOTA）を記録しています。AI業界では大規模なモデルばかりが注目されがちですが、こうした「小さくて実用的なモデル」の進化こそが、日々のデスクワークを劇的に効率化してくれるのかもしれません。