LightOnOCR-2-1B 公開：わずか 1B で 9B モデルを凌駕する高速 OCR

LightOnOCR-2-1B は、スキャン画像や書籍、PDF ドキュメントをそのまま構造化されたテキストへと変換する、パラメータ数 1B のオープンソース視覚言語モデルです。

複数のツールを組み合わせる従来のパイプラインを排除し、画像から読み順通りのテキストを一度に出力します。一般的な文章だけでなく、表組みやレシート、段組み、数式の LaTeX 表記にも対応し、図表の位置を検出できる派生モデルも用意されています。

1B サイズで大型モデルを圧倒する認識力と速度

わずか 1B というサイズながら、認識精度は極めて強力です。標準ベンチマークの OlmOCR-Bench で 83.2 を記録し、パラメータ数が約 9 倍もある Chandra-9B を 1.5 ポイント以上上回りました。

特筆すべきはその処理速度とコスト効率です。NVIDIA H100 1 枚の環境において、1 秒あたり 5.71 ページの高速処理を実現しており、1000 ページあたりの処理コストは 0.01 ドル未満に抑えられます。

他の主要モデルとの比較でも、OlmOCR より 1.7 倍、DeepSeekOCR より 1.73 倍、PaddleOCR-VL-0.9B より 2 倍、Chandra OCR より 3.3 倍高速に動作します。

モデルファミリーと充実した公開データ

ライセンスは商用利用しやすい Apache 2.0 を採用しています。テキスト抽出に特化した標準モデルのほか、文書内の画像領域を検出する bbox バージョン、両者の利点を統合した soup バージョン、ファインチューニング用のベースモデルが揃っています。

さらに、学習に使用した 1600 万ページ超の注釈データセットや図表検出用データセットも同時にオープンソース公開されました。Hugging Face 上の公式デモページですぐに試せるほか、ローカル環境へ導入して運用することも可能です。

なぜ重要か

社内文書の RAG 構築や大量の紙資料のデジタル化に取り組む開発者にとって、LightOnOCR-2-1B は現時点で極めて実用的な選択肢になります。

これまで複雑なレイアウトの解析には巨大なマルチモーダルモデルを使うか、複数の OCR ツールを組み合わせる必要があり、コストと保守の手間が課題でした。このモデルはわずか 1B の軽量さで高精度かつ超高速に動作するため、自前のドキュメント処理基盤へ手軽に組み込める価値を持っています。