olmOCRを忠実なOCRエンジンにファインチューニングする

従来のOCRエンジンは、セクション分割や文字認識などの複数の機械学習コンポーネントを組み合わせたパイプラインベースのシステムが主流であったが、ヘッダーやフッターなどの周辺情報が欠落し、論理的な読解順序(線形化)を維持できないという課題があった。Hugging Faceで公開されているolmOCRモデルも同様の課題を抱えていたため、Qwen2.5-VL-72B-Instructを用いて8,000件の文書データセットを生成し、olmOCRのトレーニングパイプラインを基にファインチューニングを行った。このファインチューニングにより、ヘッダーやフッターを含む全ての関連情報を抽出できるようになり、請求書解析などのビジネスユースケースにおいて、より信頼性の高いOCRエンジンとなった。ファインチューニングされたモデルはHuggingFaceで公開されている。