dots.ocr-1.5公開：図表をSVGコードに直接変換する3B多言語OCR

rednote-hilabがHugging Faceで、3BパラメータのマルチモーダルOCRモデル「dots.ocr-1.5」を公開しました。

何ができるのか

dots.ocr-1.5は多言語文書の解析に特化しており、ほぼすべての文字体系を認識してSOTAレベルの多言語パース精度を誇るとされています。

最大の見どころは、グラフやダイアグラムなどの構造化された図表を直接SVGコードへ変換できる点です。X上のxeophon氏の投稿でも、チャート類をベクターコードに直接書き出す処理に優れていると評価されています。従来のOCRのようにテキストの断片だけを拾うのではなく、図の構造そのものを編集可能な形で取り出せます。

モデルは現在Hugging Faceからダウンロード可能です。3Bというコンパクトなサイズのため、環境構築のハードルも低く抑えられています。

なぜ重要か

PDFの論文やレポートから図表混じりのデータを抽出したい人にとって、すぐに試す価値があるツールだと考えます。

巨大な汎用マルチモーダルモデルに頼らず、3Bという小サイズでSVGを直接出力させるアプローチは非常に実用的です。文書解析パイプラインにおいて、図表の再構築にかかる手間を大幅に削ってくれるはずです。