Granite 4.0 3B Vision: 企業文書向けコンパクトなマルチモーダルAI
Granite 4.0 3B Vision: Compact Multimodal Intelligence for Enterprise Documents
Granite 4.0 3B Visionは、文書画像からの表抽出、グラフ理解、意味的なキー・バリューペア(KVP)抽出を可能にするコンパクトなマルチモーダルAIモデルです。このモデルはGranite 4.0 MicroのLoRAアダプターとして提供され、ビジョンと言語処理をモジュール化しています。特に、グラフ理解のために、コード生成によるデータ拡張アプローチで構築された170万サンプル規模の「ChartNet」データセットを使用し、従来のVLMが苦手としていたグラフの視覚的パターン、数値データ、自然言語の複合的な推論を可能にします。また、DeepStack Injectionという新しいアーキテクチャにより、高解像度の空間特徴を後段の層に供給することで、文書内の情報とその位置の両方を理解します。これにより、表抽出、グラフ理解、KVP抽出といったレイアウトが重要なタスクで高い精度を発揮します。ベンチマークでは、ChartNetデータセットを用いたグラフ要約タスクで86.4%のスコアを達成し、表抽出タスクでも複数のベンチマークで最高性能を示しました。KVP抽出タスクでは、1,777の米国政府フォームからなるVAREXベンチマークでゼロショット85.5%の精度を達成しています。このモデルは、スタンドアロンの画像理解エンジンとしても、Doclingと連携したエンドツーエンドの文書理解パイプラインの一部としても利用可能です。Apache 2.0ライセンスでHuggingFaceで公開されています。
- IBMが企業文書向けコンパクトなマルチモーダルAIモデル「Granite 4.0 3B Vision」をApache 2.0ライセンスでHuggingFace公開
Granite 4.0 3B Visionは、企業文書向けに特化したコンパクトなマルチモーダルAIモデルであり、表抽出・グラフ理解・KVP抽出といった業務効率化に直結するタスクで高い精度を達成している点が注目に値する。3Bパラメータという軽量さでゼロショット85.5%の精度を出しており、エンタープライズ文書処理のコスト削減・自動化ニーズに合致する。IBMがApache 2.0で公開したことで、OSSエコシステムでの普及が加速し、Doclingなどのツールと組み合わせた文書AIパイプラインの市場形成に寄与する可能性がある。