OCR（ユースケース）に関するニュース一覧

フランスのAI企業Mistralは2026年6月24日、文書知能モデル「OCR 4」を発表しました。単なる文字抽出にとどまらず、文書全体を構造化データとして返す点が特徴で、各ブロックに位置情報を示す枠、見出しや表といった種別、さらに単語ごとの信頼度スコアを付与します。15カ月でOCR技術の第4世代となり、即日でAPIやAmazon SageMaker、Microsoft Foundryなどから利用できます。

技術上の核心は構造化された出力にあります。従来のように平坦なテキストを並べるのではなく、各ブロックを枠で特定し、タイトルや表、署名などに分類したうえで信頼度を返します。これにより、抽出した事実を元の文書のどこに記載されていたかまで追跡でき、RAGや法令順守の業務で「この数値はどこから来たのか」という監査可能な答えを得られます。

Mistralは独立した評価者による比較で72%の勝率を得たと報告しています。ただし同社自身が採点上の誤差を公開し、集計値は確定的ではなく方向性を示すものだと注意を促しました。公開ベンチマークでは3位という指摘もあり、企業の導入担当者はベンダーの数値に頼らず、自社の文書と言語で独自に評価すべきだと記事は指摘します。

今回の発表は地政学的な追い風の中で行われました。6月12日、米商務省の輸出規制によりAnthropicは最新モデルへのアクセスを全面的に停止させられ、米国外の顧客が突然利用できなくなりました。Mistralが掲げる欧州AI主権の主張は、まさにこの事態で現実味を帯び、自社環境で完結する単一コンテナ提供が製品としての答えになっています。

価格は1000ページあたり4ドルからで、バッチ利用なら2ドルまで下がります。この水準なら10万ページの社内文書も200ドルで処理でき、大規模なデジタル化が現実的になります。一方で前日にはBaiduがMIT licenseの無償モデルを公開しており、自己ホスト型のオープンモデルと、企業向け機能を備えた商用サービスという二つの路線が鮮明になっています。

結局これはOCRの話ではなく、企業向けAI市場への入り口を巡る戦略だと記事は結論づけます。OCR 4はMistralの検索基盤や推論モデル、エージェント基盤へと連なる導線であり、同社は約200億ユーロの評価額での資金調達と2026年に10億ユーロの売上を目指しています。大手や急成長するオープンソース勢に対し、主権と構造化文書知能で欧州企業の予算を取り込めるかが焦点です。

中国の百度系PaddleOCRは6月22日、汎用OCRモデルの最新世代「PP-OCRv6」をHugging Faceで公開しました。文書やスクリーンショット、多言語画像、産業ラベルなど実環境のテキスト検出・認識を狙い、1.5M〜34.5Mパラメータの3階層で軽量さと精度を両立します。VLM全盛の時代に専用OCRの実用価値を示す動きです。

モデルはtiny、small、mediumの3層で構成されます。最小のtinyはエッジ端末向け、mediumはサーバー側の高精度処理向けと、用途に応じてサイズと精度を選べる設計です。small以上の2層は簡体字・繁体字・英語・日本語を含む50言語に対応します。

精度面では、PaddleOCR独自の複数シナリオ評価でmediumが検出Hmean86.2%、認識精度83.2%を記録しました。前世代のPP-OCRv5_serverと比べ、検出で4.6ポイント、認識で5.1ポイント向上しています。

技術面では、検出に大カーネルの軽量特徴ピラミッド「RepLKFPN」、認識に局所文脈と全体注意を組み合わせた「EncoderWithLightSVTR」を採用しました。小さく回転した文字や低解像度、複雑な背景といった難しい入力への対応力を高めています。

展開の柔軟性も特徴です。Transformers、ONNX Runtime、Paddle Inferenceの3つの推論基盤に対応し、`pip install paddleocr`で導入できます。出力は可視化画像と構造化JSONで保存でき、文書解析や検索、RAGやエージェントの処理に組み込めます。

Dharma AIは2026年6月3日、Direct Preference Optimization（DPO）をOCRタスクに適用し、ビジョン言語モデルに頻発するテキスト退化（繰り返しループ）を大幅に削減できることを示しました。ブラジルポルトガル語の構造化文書抽出タスクで5つのモデルファミリーを検証し、DPOステージ追加後の退化率は平均59.4%減少、最良ケースでは87.6%の削減を達成しています。

テキスト退化とは、自己回帰モデルが推論時に同じトークンを繰り返し生成し、無限ループに陥る現象です。教師あり微調整（SFT）はタスク能力を高める一方、トークン単位の損失関数では繰り返しループを「出力全体の失敗」として罰することができません。実際、あるモデルではSFT後に退化率が0.60%から3.23%へ悪化しました。タスク能力の向上が、退化の発生しやすい分布領域へモデルを近づけた結果です。

DPOはこの構造的限界を補います。出力全体を「選択」か「棄却」かで評価するため、退化ループを明示的に不正解として学習できます。Dharma AIのパイプラインでは、SFTモデル自身が生成した退化出力をそのまま棄却例として活用しました。通常は低品質データとして除外される失敗出力を、最も情報量の多い負の学習信号として再利用するという逆転の発想です。

23,726件の学習文書に対し複数の候補出力を生成し、自動LLM判定で選好ペアを構築しました。人手アノテーションは不要で、失敗モードが「識別可能」「スコアリング可能」「十分な量がある」という3条件を満たせば他のドメインにも応用できると論文は指摘しています。OCR抽出の品質を損なわずに退化を抑制できた点も実用上の大きな意義です。構造化生成パイプラインを運用するMLエンジニアにとって、SFT後のDPOは一度きりの追加投資で信頼性を大幅に改善できる手段といえます。

Dharma AIの研究チームが、ブラジルポルトガル語のOCRベンチマークにおいて、わずか30億パラメータの特化型小規模モデルが、Claude Opus 4.6やGPT-5.4など主要なフロンティアAPIすべてを品質・コスト・安定性の全指標で上回ったとする論文を発表しました。この結果は、企業のAI調達における「最大モデルが最良」という従来の常識に疑問を投げかけています。

ベンチマークの複合スコアで特化型3Bモデルは0.911を記録し、2位のClaude Opus 4.6の0.833を大きく引き離しました。コスト面では100万ページあたりの推論費用がClaude Opus比で約52分の1という圧倒的な差を示しています。さらにテキスト生成の崩壊率も0.20%と最低水準で、本番運用の安定性でも優位に立ちました。

研究が注目するのは「分布整合性」という変数です。モデルの性能を決定づけるのはパラメータ数ではなく、訓練履歴がデプロイ先のタスクにどれだけ近いかだと論文は主張します。同一アーキテクチャ・同一手法でファインチューニングしても、OCR特化済みの基盤モデルから出発した場合と汎用モデルから出発した場合で、精度に最大16ポイントの差が生じました。

この知見はOCR領域に限定された実証ですが、企業のAI評価フレームワークに対する重要な問題提起を含んでいます。論文は、パラメータ規模だけでなくタスクへの特化度を第一級の評価変数として扱うべきだと提言しています。汎用的な万能モデルを探すよりも、自社の業務領域に段階的に特化させたモデル群を構築する方が、品質・コスト・安定性のすべてで有利になる可能性があります。

PaddleOCR 3.5が2026年5月18日にリリースされ、Hugging Face Transformersを推論バックエンドとして選択できるようになりました。PP-OCRv5やPaddleOCR-VL 1.5といったOCR・文書解析モデルを、engineパラメータひとつでTransformersバックエンドに切り替えて実行できます。

RAGや文書エージェントの構築では、PDFやスキャン画像を構造化データに変換する前処理が精度を左右します。PaddleOCRはこの文書取り込み工程を担うOCR・文書解析モデルを提供してきましたが、従来はPaddlePaddle固有の推論エンジンが前提でした。今回の対応により、PyTorch/Transformersベースのインフラを使うチームでも統合の手間が大幅に減ります。

使い方はシンプルで、PaddleOCRのコンストラクタにengine="transformers"を指定するだけです。engine_configでdtypeやアテンション実装の選択も可能で、開発環境に合わせた最適化ができます。Hugging Face Spacesではライブデモも公開されています。

注意点として、OCR・文書解析のスループットを最大化したい場合は、PaddleOCRのデフォルトであるpaddle_staticバックエンドが引き続き推奨されます。Transformersバックエンドは既存のバックエンドを置き換えるものではなく、開発スタックに応じて推論バックエンドを選べる柔軟性を提供するものです。

LlamaIndexの共同創業者兼CEOであるJerry Liu氏は、LLMアプリケーション開発に必要だったインデックス層やクエリエンジン、検索パイプラインなどの「足場レイヤー」が崩壊しつつあると語りました。モデルの進化により、開発者がこれらの決定論的ワークフローを軽量に構築するためのフレームワークの必要性は薄れています。

その背景には、LLMの推論能力の急速な向上があります。最新モデルは大量の非構造化データを人間以上の精度で処理でき、自己修正やマルチステップの計画立案も可能です。MCP（Modern Context Protocol）やClaude Agent Skillsにより、ツールの発見・利用が個別統合なしで実現されるようになりました。エージェントのパターンは「マネージドエージェント」構成に収斂しています。

Liu氏はさらに、コーディングエージェントの発達により開発者の作業自体が変質していると指摘します。LlamaIndexのコードの約95%はAIが生成しており、「エンジニアは実際のコードを書いていない。自然言語で入力している」と述べました。プログラマーと非プログラマーの境界が消えつつあるといいます。

では足場が崩壊した後に何が残るのか。Liu氏の答えは「コンテキスト」です。エージェントがファイル形式を解読し正確な情報を抽出する能力が差別化要因になるとし、LlamaIndexはOCRによるエージェント型文書処理でこの領域に注力しています。「OpenAI CodexでもClaude Codeでもどちらでもよい。すべてが必要とするのはコンテキストだ」と同氏は強調しました。

一方でLiu氏は、特定のフロンティアモデルへの依存リスクにも警鐘を鳴らしています。スタックのモジュール性を保ち、技術的負債を排除し、モデルリリースごとに最適な選択肢へ柔軟に移行できる体制を整えることが企業に求められると述べました。スタックの一部は必然的に廃棄される前提で設計すべきだとしています。

NVIDIAは2026年4月28日、マルチモーダルAIモデルNemotron 3 Nano Omniを公開しました。このモデルはテキスト・画像・動画・音声を単一のアーキテクチャで処理できるオムニモーダルモデルで、AIエージェントの構築を効率化することを目的としています。パラメータ規模は30B（アクティブ3B）で、従来のように複数モデルを組み合わせる必要がなくなります。

性能面では、文書理解のMMLongBench-DocやOCRBenchV2、動画理解のWorldSense、音声理解のVoiceBenchなど6つの主要ベンチマークでトップの精度を記録しています。同等の対話性能を持つオープンなオムニモデルと比較して、マルチドキュメント処理で7.4倍、動画処理で9.2倍のシステム効率を実現しました。

アーキテクチャの核となるのは、23層のMamba状態空間モデル、23層のMixture-of-Experts（128エキスパート、Top-6ルーティング）、6層のグループ化クエリアテンションを組み合わせたハイブリッド構成です。視覚側にはC-RADIOv4-Hエンコーダを採用し、動的解像度処理により100ページ超の文書やGUIスクリーンショットにも対応します。音声側にはParakeet-TDT-0.6B-v2エンコーダを搭載し、最大20分の音声入力をネイティブに処理できます。

想定される活用領域は、企業文書の分析、GUI操作を行うコンピュータ使用エージェント、長時間の動画・音声理解、自動音声認識、そして汎用的なマルチモーダル推論の5分野です。すでにH Company、Aible、Eka Care、Foxconnなどが採用を進めており、Dell Technologies、Oracle、Infosysなども評価段階にあります。

モデルはオープンウェイトで公開されており、BF16・FP8・NVFP4の各チェックポイントがHugging Faceからダウンロード可能です。訓練データや手法も公開されているため、NVIDIA NeMoを使った独自のカスタマイズが可能です。NVIDIA Jetsonのようなエッジデバイスからデータセンター、クラウドまで幅広い環境にデプロイでき、Nemotronファミリー全体では過去1年で5,000万回以上のダウンロードを達成しています。

OpenAIが公開した個人情報保護モデル「Privacy Filter」を活用し、Hugging Faceの開発者3名が実用的なWebアプリ3本を構築しました。Privacy Filterは15億パラメータのモデルで、活性パラメータは5000万、Apache 2.0ライセンスで提供されています。128Kトークンのコンテキストに対応し、PII検出ベンチマークで最高精度を達成しています。

1つ目の「Document Privacy Explorer」は、PDFやDOCXファイルをアップロードすると、個人名・メールアドレス・電話番号などの個人情報を自動検出してカテゴリ別にハイライト表示するアプリです。128Kコンテキストを活かし、文書全体を一括処理するためチャンク分割が不要です。

2つ目の「Image Anonymizer」は、スクリーンショットや画像内の個人情報を黒塗りで自動秘匿するツールです。Tesseract OCRで文字領域を抽出した後にPrivacy Filterで検出し、ピクセル座標の矩形として返します。ブラウザ上でバーの表示切替やドラッグ移動、手動追加も可能です。

3つ目の「SmartRedact Paste」は、テキストを貼り付けると秘匿済みの公開URLと、原文を確認できるトークン付き非公開URLの2つを生成するプライバシー対応ペーストビンです。多言語テキストにも対応しています。

3つのアプリはすべてgradio.Server上に構築されています。モデル推論は@server.apiデコレータでGradioのキューに載せ、ZeroGPU割り当てやプログレス通知を活用します。静的ページの配信にはFastAPIのルートを使い、モデル呼び出しとUI提供を明確に分離する設計パターンが共通しています。

NVIDIAは2026年4月17日、合成データのみで学習した多言語OCRモデル「Nemotron OCR v2」をHugging Faceで公開しました。英語・日本語・韓国語・ロシア語・中国語簡体字・繁体字の6言語に対応し、単一モデルで言語の事前指定なく文書を読み取れます。データセットとモデルはともにオープンライセンスで提供されています。

従来のNemotron OCR v1は英語専用で訓練されており、日本語や韓国語ではNormalized Edit Distance（NED）が0.7〜0.9と実用に耐えない精度でした。多言語化の課題はモデル構造ではなく学習データの不足にありました。実世界の文書画像を6言語分収集・アノテーションするコストは現実的でないため、チームは合成データによるアプローチを選択しました。

合成データパイプラインはSynthDoGを大幅に改良したもので、単語・行・段落の3階層バウンディングボックスと読み順グラフを自動生成します。CJK言語ではスペース区切りがないため行単位の認識を採用し、165〜1,258種のオープンソースフォントを使用。多様なレイアウトテンプレートとデータ拡張により、合成画像でも実文書への汎化性能を確保しています。

ベンチマーク結果は顕著です。SynthDoG評価では全言語でNEDを0.035〜0.069に低減し、言語別の専用モデルであるPaddleOCRをも上回りました。実文書ベンチマークのOmniDocBenchでは、PaddleOCR v5の毎秒1.2ページに対し毎秒34.7ページを達成しています。この速度はFOTSアーキテクチャに基づく特徴マップの共有設計によるもので、検出用バックボーンの畳み込み処理が1回で済むため下流コンポーネントのオーバーヘッドが最小化されています。

このパイプラインの拡張性も注目に値します。新しい言語への対応に必要なのは対象言語のソーステキストとフォントだけで、モデル構造の変更や手動アノテーションは不要です。mOSCARコーパスが163言語をカバーし、Notoフォントファミリーがほぼ全てのUnicodeスクリプトに対応しているため、さらなる多言語展開への道筋が明確に示されています。

UAE・技術革新研究所（TII）のFalconチームは2026年4月1日、画像認識・セグメンテーション・OCRを単一のTransformerで処理するオープンソースモデル「Falcon Perception」を公開しました。パラメータ数はわずか6億で、従来のパイプライン型システムに代わる統合的なアプローチを提案しています。

Falcon Perceptionの最大の特徴は、画像パッチとテキストトークンを最初の層から同一のパラメータ空間で処理する「早期融合」アーキテクチャです。画像トークンには双方向注意、テキストトークンには因果的注意を適用するハイブリッドマスクにより、1つのモデルで視覚エンコーダとテキストデコーダの両方の役割を果たします。

オープン語彙セグメンテーションベンチマークSA-Coでは、Macro-F1で68.0を達成し、Meta社のSAM 3の62.3を上回りました。特に属性認識で+8.2、食品・飲料カテゴリで+12.2と大きな差をつけています。一方、存在判定の精度（MCC 0.64対0.82）ではSAM 3に及ばず、今後の改善課題として示されています。

同時に発表されたFalcon OCRは0.3Bパラメータの文書認識モデルです。olmOCRベンチマークで80.3点、OmniDocBenchで88.6点を記録し、DeepSeek OCR v2やGPT 5.2を上回る性能を示しました。オープンソースOCRモデルとして最高のスループットを実現し、vLLM統合によりA100上で毎秒2.9画像を処理できます。

チームは性能評価のため、能力別に分類した診断ベンチマーク「PBench」も公開しました。単純な物体認識（L0）から関係推論（L4）まで5段階に分かれ、Falcon Perceptionは空間理解でSAM 3に+21.9点、OCR識別で+13.4点と、プロンプトが複雑になるほど差が拡大する結果となっています。

学習には5400万枚の画像と1億9500万の正例表現、4億8800万のハードネガティブを使用しました。3段階の学習レシピにより、シーン理解からタスク特化、高密度シーン対応へと段階的に能力を獲得させています。モデルとコードはHugging Faceで公開されており、Apple Silicon向けのMLX統合やDockerサーバーも提供されています。

Gaming Alexandriaの運営者Dustin Hubbard氏が、AIを活用した日本語ゲーム雑誌の自動翻訳ツール「Gaming Alexandria Researcher」を週末に公開しましたが、コミュニティから強い反発を受け、翌日に謝罪する事態となりました。

Vibe codingと呼ばれるAI支援型のプログラミング手法で開発されたこのツールは、数百冊に及ぶ日本のゲーム雑誌スキャンのOCRテキストを機械翻訳し、西洋の研究者が活用できる形に整理することを目的としています。

しかし、Patreonの支援金をAI翻訳プロジェクトに充てたことに対し、多くのコミュニティメンバーが異議を唱えました。エラーの多いAI翻訳に資金を投じることへの不信感が主な理由です。

Hubbard氏は謝罪文で「これまでアクセスできなかったものへのアクセスを提供するのが自分の保存哲学だった」と述べつつ、「AIの問題点をもっと考慮すべきだった」と反省の意を示しました。

Gaming Alexandriaは2015年の設立以来、高品質なボックスアート、希少なプロトタイプ、1970年代に遡る日本のゲーム雑誌など、ビデオゲーム史の包括的なアーカイブとして成長してきました。この論争は、AIツールの有用性と品質・倫理面の懸念が衝突する現状を浮き彫りにしています。

Mistral AIはエンタープライズ向けの第3世代OCRモデル「Mistral OCR 3」を発表しました。1000ページあたり2ドル（バッチ処理では50%割引）という攻撃的な価格設定で、文書デジタル化を企業のAI活用における「最初の必須ステップ」と位置付けています。

同社の最高収益責任者Marjorie Janiewiczによれば、多くの大企業が膨大な量の重要データをまだデジタル化できていない状況にあり、それが「巨大な競争上のお堀」となっているといいます。文書のデジタル化により、数十年にわたって蓄積された機関知識がAIシステムとエージェントワークフロー自動化の基盤となり得ます。

OCR 3は特に手書き、複合注釈、印刷フォーム上の手書きテキスト、複雑な表構造（ヘッダー・結合セル・複数行ブロック）の解析に強みを持ちます。また圧縮アーティファクト・スキュー・低解像度・背景ノイズなど、実際のレガシー文書で頻出する問題への対応も向上しています。

ユースケースとしては、金融機関のマネーロンダリング対策・KYCプロセス、保険の事故申請管理、医療の入院フォーム・処方箋管理、製造業の複雑な技術文書管理などが挙げられています。データ主権・セキュリティへの懸念が高い規制産業向けに、クラウド・VPC・オンプレミスの各環境での展開をサポートしています。

OCR 3はMistral AI Studioの「Document AI」コンポーネントとして統合されており、可観測性・エージェントランタイム・AIレジストリを含む統合スタックの一部として機能します。HSBCとのパートナーシップで金融機関での実績を築いており、ウェッジ製品としてより深いエンタープライズ関係の入り口になることを狙っています。

Mistralは12月に入って、Mistral 3ファミリーのオープンウェイトモデル、コーディングツールDevstral 2、そして今回のOCR 3と積極的な製品攻勢をかけています。OpenAIの5000億ドル評価、Anthropicの3500億ドル評価に対し、資金面では劣位に立つ欧州スタートアップが独自路線で攻略を続けています。

Googleは12月5日、次世代AIモデル「Gemini 3」およびエージェント開発プラットフォーム「Google Antigravity」を発表しました。新モデルは、テキスト・画像・動画・コードを統合的に理解するマルチモーダル性能で世界最高峰を記録。特に「視覚・空間推論」能力の飛躍的な向上と、自律的にタスクを遂行する「Agentic（エージェンティック）」な機能強化が特徴です。ビジネスの現場における自動化と生産性の定義を塗り替える可能性があります。

Gemini 3の最大の特徴は、ユーザーの意図を汲み取り、複雑な工程を自律的に実行する能力です。これを象徴するのが「Vibe Coding」と呼ばれる開発体験です。自然言語の指示だけで、インタラクティブなWeb UIやツールを即座に生成・実行します。Google検索に統合された「AI Mode」では、検索クエリに応じて動的にローン計算機や科学シミュレーションを作成し、ユーザーに提示します。単に情報を返すだけでなく、「使える道具」をその場で作り出す点が画期的です。

同時に発表された「Gemini 3 Pro Vision」は、AIの「眼」を再定義します。従来のOCR（文字認識）を超え、複雑な文書、手書きのメモ、グラフを構造化されたコード（HTMLやLaTeX）に復元する「Derendering」機能を搭載しました。さらに、PCやスマホの画面上のUIを正確に理解して操作する能力や、1秒間に10フレーム以上の動画を処理してゴルフスイングの微細な動きや因果関係を分析する能力も備えています。これにより、医療画像の診断支援や法務文書の分析、ソフトウェアのQAテストなど、高度な専門業務の自動化が加速します。

開発者向けには、新たなエージェント開発プラットフォーム「Google Antigravity」が登場しました。これは、エディタ、ターミナル、ブラウザを横断して動作するインテリジェントなエージェントを構築・管理するための基盤です。AIが単なるコード補完ツールから、現実世界で機能するコードを生成し、自律的にデバッグやデプロイを行う「パートナー」へと進化します。Google AI Proなどのサブスクリプションで優先アクセスが提供され、エンジニアの生産性を劇的に高めることが期待されます。

クリエイティブ領域では、Gemini 3をベースにした画像生成モデル「Nano Banana Pro」が、インフォグラフィックやスタジオ品質のビジュアル生成を実現しました。また、GoogleマップやAndroid AutoへのGemini統合も進み、運転中のナビゲーションやタスク処理が対話形式で完結するようになります。Googleはテキサス州への400億ドルのインフラ投資を含め、AIエコシステムの拡大を全方位で推進しており、ビジネスリーダーにとってAI活用の新たなフェーズが始まったと言えるでしょう。

イーロン・マスク氏率いるxAIは2025年11月、最新AIモデル「Grok 4.1」を発表しました。推論能力と感情的知能を飛躍的に高めつつ、ハルシネーション（幻覚）の発生率を大幅に低減させた点が最大の特徴です。

新モデルは、複雑な問題を熟考する「Thinking」モードと、即答性を重視する高速モードの2種類を提供します。主要ベンチマークでは、GoogleやOpenAIの既存モデルを上回るスコアを記録し、トップクラスの性能を実証しました。

特に実用面での進化が著しく、以前のモデルと比較してハルシネーション発生率を約65%削減することに成功しました。また、チャート分析やOCRを含む視覚理解能力も強化され、複雑なタスク処理における信頼性が向上しています。

一方で、企業導入を検討する開発者には課題が残ります。現在はWebサイトとアプリでの一般利用に限られ、API経由での提供は開始されていません。自社システムへの組み込みや自動化ワークフローへの統合は、今後のアップデート待ちとなります。

中国の検索大手、百度（バイドゥ）は年次イベント「Baidu World 2025」で、最新の独自基盤モデル「ERNIE 5.0」を発表しました。このモデルは、OpenAIのGPT-5やGoogleのGemini 2.5 Proを、特にグラフや文書の理解といった視覚タスクで上回る性能を持つと主張しており、激化するエンタープライズAI市場での世界的な優位性を目指します。

百度が公開したベンチマークによれば、ERNIE 5.0は特に文書認識（OCRBench）やグラフの質疑応答（ChartQA）といった分野で、欧米の最先端モデルを凌駕する結果を示したとされています。これは、自動文書処理や財務分析など、企業のコア業務における実用性の高さを強くアピールするものです。

ERNIE 5.0は、テキスト、画像、音声、動画を統合的に処理・生成できる「ネイティブ・オムニモーダル」モデルとして設計されています。同社が最近公開したオープンソースモデルとは異なり、独自のプロプライエタリモデルとして、クラウドプラットフォーム「Qianfan」のAPIを通じて企業向けに提供されます。

料金体系はプレミアムモデルとして位置づけられていますが、米国の主要モデルと比較すると競争力のある価格設定が特徴です。例えば、GPT-5.1と比較して入力トークン単価が約3割安く、高性能とコスト効率の両立を目指す企業にとって魅力的な選択肢となり得るでしょう。

注目すべきは、高性能なプロプライエタリモデルと並行して、商用利用が可能な高性能オープンソースモデル「ERNIE-4.5-VL」も提供している点です。このオープンとクローズドの「二刀流」戦略により、大企業から開発者コミュニティまで幅広い層への浸透を図っています。

ERNIE 5.0の発表は、世界の基盤モデル開発競争が新たな段階に入ったことを示唆しています。性能評価の第三者による検証が待たれますが、百度の明確な企業向け戦略とグローバル展開への野心は、既存のAI市場の勢力図を塗り替える可能性を秘めています。

米Microsoft Researchは2025年11月12日、長尺動画や大規模な画像コレクションに対する複雑なマルチモーダル推論を可能にする新しいマルチエージェントシステム『MMCTAgent』を発表しました。この技術は、これまで困難だった大量の映像データからのインサイト抽出を自動化し、企業のデータ活用戦略を大きく前進させる可能性を秘めています。

MMCTAgentの最大の特徴は、『プランナー』と『批評家』という2つのエージェントが協調して動作するアーキテクチャです。プランナーがユーザーの要求をタスクに分解し、計画を立てて実行。その結果を批評家が多角的にレビューし、事実との整合性を検証して回答を修正します。この人間のような反復的な思考プロセスにより、高い精度と信頼性を実現しています。

このシステムは、Microsoftのオープンソース・マルチエージェントフレームワーク『AutoGen』を基盤に構築されています。動画分析用の『VideoAgent』や画像分析用の『ImageAgent』が、物体検出やOCRといった専門ツールを駆使して情報を処理。抽出されたデータはAzure AI Searchによってインデックス化され、高速な検索と分析を可能にしています。

性能評価では、既存のAIモデルを大幅に上回る結果を示しました。例えば、マルチモーダル評価ベンチマーク『MM-Vet』において、GPT-4Vと組み合わせることで精度が60.2%から74.2%へと大幅に向上。これは、MMCTAgentがベースモデルの能力を補完し、より高度な推論を可能にすることを証明しています。

MMCTAgentはモジュール式の設計を採用しており、開発者は医療画像分析や工業製品検査といったドメイン固有のツールを簡単に追加できます。これにより、様々な産業への応用が期待されます。Microsoftは今後、農業分野での評価を皮切りに、さらに多くの実社会での活用を目指すとしています。

監視カメラの映像分析や製品の品質管理、メディアコンテンツのアーカイブ検索など、企業が保有する膨大な映像データは「未開拓の資産」です。MMCTAgentは、この資産からビジネス価値を生み出すための強力なツールとなるでしょう。経営者やエンジニアは、この新しいエージェント技術が自社の競争力をいかに高めるか、注視すべきです。

中国のAI研究企業DeepSeekは、テキスト情報を画像として処理することで最大10倍に圧縮する新しいオープンソースAIモデル「DeepSeek-OCR」を発表しました。この技術は、大規模言語モデル（LLM）が一度に扱える情報量（コンテキストウィンドウ）を劇的に拡大する可能性を秘めており、従来のテキスト処理の常識を覆す画期的なアプローチとして注目されています。

このモデルの核心は、テキストを文字の集まり（トークン）としてではなく、一枚の「絵」として捉え、視覚情報として圧縮する点にあります。従来、テキスト情報の方が視覚情報より効率的に扱えると考えられてきましたが、DeepSeek-OCRはこの常識を覆しました。OpenAIの共同創業者であるAndrej Karpathy氏も「LLMへの入力は全て画像であるべきかもしれない」と述べ、この発想の転換を高く評価しています。

その性能は驚異的です。実験では、700〜800のテキストトークンを含む文書をわずか100の視覚トークンで表現し、97%以上の精度で元のテキストを復元できました。これは7.5倍の圧縮率に相当します。実用面では、単一のNVIDIA A100 GPUで1日に20万ページ以上を処理できる計算となり、AIの学習データ構築などを大幅に加速させることが可能です。

この技術革新がもたらす最大のインパクトは、LLMのコンテキストウィンドウの飛躍的な拡大です。現在の最先端モデルが数十万トークンであるのに対し、このアプローチは1000万トークン級の超巨大な文脈の実現に道を開きます。企業の全社内文書を一度に読み込ませて対話するなど、これまで不可能だった応用が現実のものとなるかもしれません。

テキストの画像化は、長年AI開発者を悩ませてきた「トークナイザー」の問題を根本的に解決する可能性も秘めています。文字コードの複雑さや、見た目が同じでも内部的に異なる文字として扱われるといった問題を回避できます。さらに、太字や色、レイアウトといった書式情報も自然にモデルへ入力できるため、よりリッチな文脈理解が期待されます。

DeepSeekはモデルの重みやコードを全てオープンソースとして公開しており、世界中の研究者がこの新技術を検証・発展させることが可能です。一方で、圧縮された視覚情報の上で、LLMがどの程度高度な「推論」を行えるかは未知数であり、今後の重要な研究課題となります。この挑戦的なアプローチが、次世代AIの標準となるか、業界全体の注目が集まります。