PaddleOCR-VLがNovita AIプラットフォームで利用可能になりました。超コンパクトな0.9Bビジョン言語モデルにより、最先端の多言語文書解析機能を提供します。この革新的なソリューションは、NaViTスタイルの動的解像度ビジュアルエンコーダーとERNIE-4.5-0.3B言語モデルを統合し、109言語にわたる正確な要素認識を実現します。
PaddleOCR-VL-0.9Bは、コンパクトながら強力なビジョン言語モデルであり、テキスト、表、数式、チャートなどの複雑な要素の認識に優れ、リソース消費を最小限に抑えます。広く使用されている公開ベンチマークと社内ベンチマークでの包括的な評価を通じて、PaddleOCR-VLはページレベルの文書解析と要素レベルの認識の両方で最先端のパフォーマンスを達成しています。
既存のソリューションを大幅に上回り、トップクラスのVLMに対して強い競争力を示し、実際のシナリオでの実用的な導入に適した高速な推論速度を提供します。
PaddleOCR-VLとは？
PaddleOCR-VLは、文書解析に特化した最先端でリソース効率の高いモデルです。その中核となるのはPaddleOCR-VL-0.9Bで、NaViTスタイルの動的解像度ビジュアルエンコーダーとERNIE-4.5-0.3B言語モデルを統合し、正確な要素認識を可能にするコンパクトかつ強力なビジョン言語モデルです。
この革新的なモデルは、109言語を効率的にサポートし、テキスト、表、数式、チャートなどの複雑な要素の認識に優れ、リソース消費を最小限に抑えます。広く使用されている公開ベンチマークと社内ベンチマークでの包括的な評価を通じて、PaddleOCR-VLはページレベルの文書解析と要素レベルの認識の両方で最先端のパフォーマンスを達成しています。
このモデルは既存のソリューションを大幅に上回り、トップクラスのVLMに対して強い競争力を示し、高速な推論速度を提供します。これらの強みにより、実際のシナリオでの実用的な導入に非常に適しています。
コア機能
コンパクトながら強力なVLMアーキテクチャ
PaddleOCR-VLは、リソース効率の高い推論向けに特別に設計された新しいビジョン言語モデルを提供し、要素認識において優れたパフォーマンスを達成します。NaViTスタイルの動的高解像度ビジュアルエンコーダーと軽量なERNIE-4.5-0.3B言語モデルを統合することで、システムの認識能力とデコード効率が大幅に向上します。この統合により、高い精度を維持しながら計算負荷を低減し、効率的で実用的な文書処理アプリケーションに適しています。
文書解析における最先端のパフォーマンス
PaddleOCR-VLは、ページレベルの文書解析と要素レベルの認識の両方で最先端のパフォーマンスを達成します。既存のパイプラインベースのソリューションを大幅に上回り、文書解析において主要なビジョン言語モデルに対して強い競争力を示します。さらに、PaddleOCR-VLはテキスト、表、数式、チャートなどの複雑な文書要素の認識に優れており、手書きテキストや歴史的な文書など、多様な挑戦的なコンテンツタイプに適しています。これにより、幅広い文書タイプやシナリオに非常に汎用性の高いソリューションとなっています。
多言語サポート
PaddleOCR-VLは109の言語をサポートし、中国語、英語、日本語、ラテン語、韓国語などの主要な世界言語を網羅します。また、ロシア語（キリル文字）、アラビア語、ヒンディー語（デーヴァナーガリー文字）、タイ語など、異なる文字や構造を持つ言語もサポートしています。
この広範な言語カバレッジにより、多言語およびグローバル化された文書処理シナリオにおけるシステムの適用可能性が大幅に向上します。
モデルアーキテクチャ
NaViTスタイルの動的高解像度ビジュアルエンコーダーにより、モデルは様々な解像度の文書を効率的に処理し、異なる文書タイプやレイアウトにわたって高品質の特徴抽出を維持できます。軽量なERNIE-4.5-0.3B言語モデルは、強力な言語理解と生成能力を提供し、視覚的特徴を処理して構造化された出力を生成します。
このアーキテクチャ設計により、モデルサイズ、推論速度、認識精度の最適なバランスが達成され、パフォーマンスと効率の両方が重要な要件となる実用的な導入にPaddleOCR-VL-0.9Bは理想的です。
パフォーマンスベンチマーク
PaddleOCR-VLは、複数の評価次元にわたって卓越したパフォーマンスを発揮し、文書解析と要素認識のための最先端のソリューションとして確立されています。
ページレベルの文書解析
OmniDocBench v1.5: PaddleOCR-VLは、OmniDocBench v1.5の全体、テキスト、数式、表、読み順において最先端のパフォーマンスを達成しています。
このモデルは、評価されたすべてのカテゴリーで競合ソリューションを一貫して上回り、包括的な文書理解能力を示しています。
OmniDocBench v1.0: PaddleOCR-VLは、OmniDocBench v1.0の全体、テキスト、数式、表、読み順のほぼすべての指標で最先端のパフォーマンスを達成しています。
これらの結果は、多様な文書タイプと複雑さのレベルにわたるモデルの堅牢な能力を裏付けています。
注: 指標はMinerU、OmniDocBench、および内部評価からのものです。
要素レベルの認識
テキスト認識: PaddleOCR-VLの多様な文書タイプを扱う堅牢かつ汎用性の高い能力は、OmniDocBench-OCR-blockパフォーマンス評価において主要な手法としての地位を確立しています。
社内のOCR評価では、複数の言語とテキストタイプにわたるパフォーマンスの評価が提供されています。PaddleOCR-VLは、評価されたすべての文字において最も低い編集距離で優れた精度を示しています。
表認識: 自己構築の評価セットには、中国語、英語、中英混合の表、完全・部分・枠なしの表、書籍/マニュアル形式、リスト、学術論文、セル結合のある表、低品質や透かし入りの表など、多様なタイプの表画像が含まれています。
PaddleOCR-VLはすべてのカテゴリーで顕著なパフォーマンスを達成しています。
数式認識: 評価セットには、シンプルな印刷、複雑な印刷、カメラスキャン、手書きの数式が含まれています。
PaddleOCR-VLはすべてのカテゴリーで最高のパフォーマンスを示しています。
チャート認識: 評価セットは、棒折れ線複合、円グラフ、100%積み上げ棒、面グラフ、棒グラフ、バブル、ヒストグラム、折れ線、散布図、積み上げ面、積み上げ棒の11のチャートカテゴリーに大別されます。
PaddleOCR-VLは、専門のOCR VLMだけでなく、一部の72Bレベルのマルチモーダル言語モデルも凌駕しています。
ユースケースとアプリケーション
ドキュメントのデジタル化
PaddleOCR-VLの強力なテキスト認識（109言語対応）により、紙の文書を検索可能なデジタル形式に変換します。請求書、領収書、契約書、ビジネス文書を効率的に処理し、低品質のスキャンや透かし入りのコンテンツでも高い精度を維持します。
学術研究
研究論文や科学出版物から数式、表、テキストを抽出します。PaddleOCR-VLの優れた数式認識は、単純な数式から複雑な数式まで対応し、学術コンテンツの文献レビューやデータ抽出に最適です。
財務文書処理
財務諸表、貸借対照表、レポートからのデータ抽出を自動化します。モデルの高度な表認識は、財務文書によく見られるセル結合、多言語、様々な書式スタイルの複雑な表を正確に解析します。
歴史的アーカイブのデジタル化
手書きテキスト、古いフォント、かすれたインク、経年変化した紙など、困難なコンテンツをPaddleOCR-VLの堅牢な処理能力で歴史的な文書や写本を保存します。このモデルは、様々な文字や言語の歴史的文書でも精度を維持します。
チャートとデータ分析
棒グラフ、円グラフ、折れ線グラフ、複合グラフなど11のチャートタイプにわたる視覚データ表現から洞察を抽出します。ビジネスインテリジェンスアプリケーションや自動レポートシステムに最適です。
Novita AIプラットフォームでPaddleOCRを使い始める
Novita AIを通じたPaddleOCR-VLへのアクセスは、技術的専門知識やユースケースに応じて複数の方法を提供します。AI機能を探求するビジネスユーザーでも、本番アプリケーションを構築する開発者でも、Novita AIは必要なツールを提供します。
プレイグラウンドを使用する（今すぐ利用可能 – コーディング不要）
- 即時アクセス: サインアップして数秒でPaddleOCR-VLの試用を開始
- インタラクティブインターフェース: 文書解析をテストし、出力をリアルタイムで可視化
- モデル比較: 特定のユースケースに合わせてPaddleOCR-VLを他の主要モデルと比較
プレイグラウンドを使用すると、技術的なセットアップなしで様々な文書タイプをテストし、結果をすぐに確認できます。プロトタイピング、アイデアのテスト、本格導入前のモデル能力の理解に最適です。
API経由で統合する（ライブで準備完了 – 開発者向け）
Novita AIの統合REST APIを使ってPaddleOCR-VLをアプリケーションに接続します。
オプション1: 直接API統合（Python例）
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="",
)
model = "paddlepaddle/paddleocr-vl"
stream = True # または False
max_tokens = 8192
system_content = "役立つアシスタントになってください"
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "こんにちは！",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
オプション2: OpenAI Agents SDKによるマルチエージェントワークフロー
PaddleOCR-VLの高度な文書解析機能を活用した洗練されたマルチエージェントシステムを構築します。
- プラグアンドプレイ統合: 任意のOpenAI AgentsワークフローでPaddleOCR-VLを使用
- 高度なエージェント機能: 文書理解を伴うハンドオフ、ルーティング、ツール統合をサポート
- スケーラブルなアーキテクチャ: PaddleOCR-VLの多言語OCRと要素認識機能を活用するエージェントを設計
オプション3: サードパーティプラットフォームとの連携
開発ツール: OpenAI互換APIおよびAnthropic互換APIを通じて、Cursor、Trae、Clineなどの人気のIDEや開発環境とシームレスに統合。
オーケストレーションフレームワーク: 公式コネクタを使用してLangChain、Dify、CrewAI、LangflowなどのAIオーケストレーションプラットフォームと連携。
Hugging Face統合: Novita AIはHugging Faceの公式推論プロバイダーとして機能し、幅広いエコシステムとの互換性を確保しています。
結論
Novita AI上のPaddleOCRは、超コンパクトな0.9Bビジョン言語モデルを通じて、優れた精度と顕著な効率性を兼ね備えた最先端の多言語文書解析機能を提供します。109言語のサポート、OmniDocBenchベンチマークでの最先端パフォーマンス、テキスト、表、数式、チャートなどの複雑な文書要素の認識における卓越性により、PaddleOCR-VLは現代の文書処理アプリケーションにとって決定的な選択肢となります。
このモデルのコンパクトなアーキテクチャ、高速な推論速度、リソース効率性は、実際のシナリオでの実用的な導入に非常に適しています。多言語文書の処理、複雑な表からのデータ抽出、数式の認識、チャートの分析など、Novita AI上のPaddleOCR-VLは必要なパフォーマンスと信頼性を提供します。
PaddleOCR-VLの革新的な文書解析機能を今すぐNovita AIで体験し、開発者向けの使いやすいプラットフォームとシームレスな統合オプションでインテリジェントな文書処理の未来を実感してください。
Novita AIは、シンプルなAPIを使用してAIモデルを簡単にデプロイできるAIクラウドプラットフォームであり、手頃で信頼性の高いGPUクラウドも提供しています。
