LightOnOCR-3はPDFの何を変える？文字・位置・グラフを一度に抽出｜2026年10月11日版
PDFをAI検索に取り込むとき、文字が読めても、その文字がどの図や見出しに属するかは失われがちだ。LightOnが10月8日に発表したLightOnOCR-3は、文字起こしに加え、領域の位置、画像の説明、グラフの数値を一つのモデルで出力する。
重要なのは、読み取った内容を元ページの場所と結び付けられること。検索結果から根拠の箇所を示す文書AIを作るうえで、取り込み処理を組み直す選択肢になる。以下は2026年10月11日、日本時間時点で確認した公開資料に基づく。
- 変更点：文字・レイアウト・図の内容をまとめて抽出。
- 使い分け：空のプロンプトで文字起こし、
groundingで位置情報付き出力。 - 提供形態：3種類のモデルをApache 2.0で公開。日本語文書での実用精度は別途検証が必要。
文字起こしから「ページの構造」へ
今回の更新では、文書のどこに何があるかまで出力に含まれる。
開発元の発表によると、公開モデルは0.8B、1B、4Bの3種類。1Bは前世代のアーキテクチャを引き継ぎ、0.8Bと4BはQwen3.5の視覚言語アーキテクチャを採用する。
従来型の文書処理では、文字認識、レイアウト検出、表やグラフの解析結果を後から結び付ける構成がある。LightOnOCR-3は、その抽出部分を一つのモデルに集約する設計だ。
ただし、PDFの画像化や、出力を検索用データに変換する処理は残る。「モデルが一つ」でも、文書処理システム全体が不要になるわけではない。
groundingを指定すると何が返るか
追加機能の入口は、短いプロンプトだ。
0.8Bのモデルカードでは、利用モードを次のように定めている。
- 空のプロンプト：ページの文字をMarkdownとして出力する。
grounding：文字に加え、各ブロックの種類と、その領域を囲む座標を出力する。
座標はページ内の位置を0〜1000に正規化したもの。見出し、本文、脚注、表、画像、グラフなどを区別し、画像には短い説明、グラフには数値をまとめたHTMLテーブルを付ける。
ここでいうgroundingは、抽出内容をページ上の位置に対応させる機能だ。内容の正しさを自動的に保証するものではない。
検索結果から原文へ戻しやすくなる
LightOnの公式説明は、構造を保ったブロックを、検索やRAGの文書分割に使う用途を挙げている。RAGは、検索した資料を生成AIの回答に渡す仕組みだ。
実装上は、ページ番号と座標を検索データに保存すれば、回答の根拠となった領域を原文上で示す設計につなげられる。画像の説明やグラフの表も検索対象にできるため、文字列だけの取り込みでは拾いにくい情報を扱う余地が広がる。
一方、軸から読み取るグラフ値には推定が入り得る。集計や判断に使う数値は、元の図と照合する工程を設けたい。
4Bの評価値を、実際の帳票にどう読み替えるか
開発元のベンチマーク結果と、手元の文書での精度は分けて見る必要がある。
発表では、4BのolmOCR-Bench総合スコアは86.3、ParseBenchの5カテゴリ総合スコアは75.1と報告された。これらは開発元による評価値であり、日本語の申請書や帳票の正答率を示す数字ではない。
また、評価時には出力の表記を正規化している。脚注などの書き方が違うだけでも採点結果は変わるため、総合点だけで導入を決めると、実務で必要な項目の弱さを見落とす。
日本の現場で試すなら、文書の種類ごとに確認点を分けるとよい。
- 申請書・帳票：項目名と記入値が正しく対応するか。
- 教材・論文：段組みの読む順序や数式を保てるか。
- 報告書：グラフの単位、系列名、数値を取り違えないか。
- 古いスキャン：欠落や、原文にない文字の生成が起きないか。
これは導入時の検証項目であり、各用途での精度が確認されたという意味ではない。
導入ではモデルとライブラリの組み合わせを固定する
動作環境も確認が必要だ。
公式GitHubリポジトリには、vLLMで配信するモデル向けのクライアント、CLI、閲覧ツール、ベンチマーク再現コードがある。実行結果はページ画像、Markdown、groundingモードの解析済みJSONとして保存できるため、抽出内容と原文を比較しやすい。
同リポジトリは、vLLM 0.30.0とTransformers 5.16.1の組み合わせを固定している。さらに、Transformers 5.17ではこのvLLM環境の1Bモデルに不具合があり、vLLM 0.27.1では全モデルがループすると記載する。検証では、モデル名だけでなく依存ライブラリの版も記録したい。
4Bのモデルカードによれば、位置情報などを付けるgroundingモードは、通常の文字起こしより平均で約25％多く出力トークンを使う。必要な情報が増える分、処理時間と保存量も測る必要がある。
継続ウォッチ
次に見るべきなのは、抽出機能の多さより、確認作業まで含めた使いやすさだ。
- 日本語、縦書き、手書きが混ざる文書で、文字と位置の対応を保てるか。
- 小型モデルで処理量を増やした際、表やグラフの精度がどこまで維持されるか。
- 座標付きの検索結果によって、人が原文を確認する時間を減らせるか。
LightOnOCR-3を評価する最初の一歩は、実際に扱う文書から正解付きの小さな検証セットを作ることだ。文字の誤り、位置のずれ、数値の誤りを別々に数える。その結果が、既存の取り込み処理を置き換える範囲と、人による確認を残す場所を決める材料になる。