olmOCR 2 - AI2 オープンソース・マルチモーダル文書解析モデル

olmOCR 2とは

olmOCR 2はAllen Institute for Artificial Intelligence (AI2)によるオープンソースのマルチモーダル文書解析モデルで、olmOCRのアップグレード版です。デジタル化された印刷文書（PDFなど）を、クリーンで自然な順序のプレーンテキストに効率的に変換します。Qwen2.5-VL-7Bモデルに基づいており、強化学習（RLVR）によって最適化され、合成データ生成とユニットテスト機構と組み合わされて、複雑なシナリオ（数式、表、複数列レイアウトなど）における従来のOCRの精度問題を解決します。文書解析タスクにおける性能は傑出しており、特に複雑なフォーマットや構造化されたコンテンツを扱う場合、その精度は類似モデルよりも大幅に高くなります。例えば、数式認識や表データ抽出などのタスクでは、文書内容をより正確に復元することができます。

olmOCR 2の特徴

• 効率的なテキスト抽出複雑なPDF文書から高品質のプレーンテキストを抽出し、複数カラムのレイアウト、表、数式、手書き内容を正しく処理し、テキストが自然な読み順であることを保証します。
• 集中学習トレーニング検証可能な報酬による強化学習（RLVR）を、報酬信号としてのバイナリ単体テストと組み合わせることで、数式変換、表解析、複数列レイアウトにおけるモデルの性能を大幅に向上させた。
• 合成データ生成合成文書生成パイプラインが開発され、多様で複雑なレイアウトの合成文書が大規模に作成されるとともに、対応するHTMLソースコードとテストケースが作成され、モデル学習をサポートする豊富なデータが提供される。
• ダイナミック温度調整低温による高い精度と、生成されたテキストの品質を向上させるための反復ループの回避のバランスをとるために、推論プロセスでは動的な温度調整が使用されます。

olmOCR 2の主な利点

• 高度なOCR技術検証可能な報酬による強化学習（RLVR）により学習された7B視覚言語モデル（VLM）に基づいており、数式、表、複数列のレイアウトの処理を大幅に改善します。
• 効率的なデータ生成複雑なレイアウトの合成文書とそれに対応するテストケースを大規模に作成できる合成文書生成パイプラインを開発し、モデル学習に豊富で多様なデータを提供。
• ダイナミック温度調整動的な温度調整ストラテジーを推論プロセスに用いることで、テキスト生成の品質と効率のバランスをとり、繰り返しループの問題を効果的に回避する。
• 最適化されたプロンプト戦略キューのテキストと画像の順序を標準化することで、学習と推論における一貫性が確保され、モデルの安定性とパフォーマンスが向上します。
• モデルの重みの平均モデルの精度とロバスト性は、複数のモデルをトレーニングし、その重みを平均化（"souping"）することでさらに向上する。

olmOCR 2の公式サイトは？

• Githubリポジトリ:: https://github.com/allenai/olmocr
• arXivテクニカルペーパー:: https://arxiv.org/pdf/2510.19817
• 経験住所:: https://olmocr.allenai.org/

olmOCR 2の対象者

• 研究員光学式文字認識(OCR)および関連分野の研究者は、olmOCR 2のオープンソースモデルとデータを、アルゴリズムの改良、性能の最適化、その他の研究作業に利用することができます。
• 開発者ソフトウェア開発者は、olmOCR 2をアプリケーションに統合することで、文書処理、コンテンツ管理システムなどに高品質のPDFテキスト抽出をユーザーに提供することができます。
• データサイエンティスト大量のデジタル化された文書データを扱う必要のあるデータサイエンティストは、olmOCR 2を使用して、データ分析とマイニングのためにテキストコンテンツを迅速かつ正確に抽出することができます。
• ビジネスユーザー組織の文書管理、情報抽出、知識管理を担当する部門は、olmOCR 2を使用することで、生産性を向上させ、手作業による文書処理の時間とコストを削減することができます。
• 教育者教育分野の教師や研究者は、olmOCR 2を使って、学術文献や教材などのPDF文書を、教育や研究用の編集可能なテキストに変換できます。
• 学童大量の文書を扱わなければならない学生は、olmOCR 2を使ってPDF文書から素早くテキストを抽出し、勉強や研究に役立てることができます。