LightOnOCR-3-4B

Indra OCR

AI GitHub リポジトリ

行検出、CTC認識、読み取り順序、マークダウン処理のために設計された、高速なCPUベースの光学文字認識ツールです。効率的なテキスト抽出機能を求める開発者に最適です。Indra OCRは、行検出、CTC認識、読み取り順序、マークダウン処理のために設計された、高速なCPUベースの光学文字認識ツールです。効率的なテキスト抽出機能を求める開発者に最適です。

RolmOCR

AI モデル

Reducto AIによって開発されたオープンソースのOCRツールで、前のolmOCRと比較して処理速度が速く、メモリ使用量が少なくなっています。メタデータ入力を使用せずに、さまざまな文書タイプを効率的に処理するように設計されています。RolmOCRはReducto AIによって開発されたオープンソースのOCRツールで、前のolmOCRと比較して処理速度が速く、メモリ使用量が少なくなっています。メタデータ入力を使用せずに、さまざまな文書タイプを効率的に処理するように設計されています。

GOT-OCR2.0 AI Model

AI モデル

効率的なテキスト認識のために設計された高度なOCRモデルです。統一されたエンドツーエンドアプローチを活用して精度とパフォーマンスを向上させ、テキスト抽出や処理のさまざまなアプリケーションに最適です。GOT-OCR2.0は、効率的なテキスト認識のために設計された高度なOCRモデルです。統一されたエンドツーエンドアプローチを活用して精度とパフォーマンスを向上させ、テキスト抽出や処理のさまざまなアプリケーションに最適です。

GLM-OCR

AI モデル

複雑な文書理解のために設計されたマルチモーダルOCRモデルです。Multi-Token Prediction損失と安定した強化学習を使用して、トレーニング効率と認識精度を向上させます。このモデルは、さまざまな文書レイアウトにわたって堅牢なパフォーマンスを提供し、実世界のシナリオに最適化されています。GLM-OCRは、複雑な文書理解のために設計されたマルチモーダルOCRモデルです。Multi-Token Prediction損失と安定した強化学習を使用して、トレーニング効率と認識精度を向上させます。このモデルは、さまざまな文書レイアウトにわたって堅牢なパフォーマンスを提供し、実世界のシナリオに最適化されています。

Qwen3 VL 8B Instruct (Alibaba)

AI モデル

AlibabaによるQwen3 VL 8B Instructは、優れたテキスト理解、視覚認識、マルチモーダル推論を提供する強力なビジョン・ランゲージモデルです。DenseおよびMoEアーキテクチャをサポートし、さまざまなアプリケーションにおけるAI機能を強化します。

Llama-3.2-11B-Vision-Instruct

AI モデル

視覚認識、画像推論、キャプショニングのために設計されたマルチモーダルAIモデルです。Metaによって開発され、テキストと画像の入力を統合して高度な画像理解能力を提供します。Llama-3.2-11B-Vision-Instructは、視覚認識、画像推論、キャプショニングのために設計されたマルチモーダルAIモデルです。Metaによって開発され、テキストと画像の入力を統合して高度な画像理解能力を提供します。

Youtu-Parsing-Omni

AI モデル

文書、画像、チャート、動画などの多様な入力を構造化されたJSONに変換する多用途のオムニモーダルパーシングモデルです。知覚および認知タスクに優れ、さまざまなパーシングニーズに対応する統一スキーマを提供します。Youtu-Parsing-Omniは、文書、画像、チャート、動画などの多様な入力を構造化されたJSONに変換する多用途のオムニモーダルパーシングモデルです。知覚および認知タスクに優れ、さまざまなパーシングニーズに対応する統一スキーマを提供します。

TrOCRモデル

AI モデル

光学文字認識（OCR）タスクのために設計されたエンコーダ-デコーダモデルです。画像を処理してテキストを生成するためにTransformerベースのアーキテクチャを利用しており、画像内の手書きテキストを認識するのに適しています。TrOCRは光学文字認識（OCR）タスクのために設計されたエンコーダ-デコーダモデルです。画像を処理してテキストを生成するためにTransformerベースのアーキテクチャを利用しており、画像内の手書きテキストを認識するのに適しています。