本文へスキップ

DocLLM

企業文書の文章と空間配置をまとめて読む

公式サイトを見る

DocLLM とは

本プラットフォームは企業文書の文章と空間配置を扱う多モーダル文書理解モデルを提供すると紹介され、軽量な拡張で高価な画像エンコーダを避ける。境界ボックス情報に焦点を当てて空間配置の構造を取り込むと説明されている。

仕組み

  • 古典的な Transformer の注意機構を分解する
  • 文章と空間のモダリティの間の対応を捉える
  • 境界ボックス情報で空間配置の構造を含める
  • 文章の抜けを埋める事前学習で不揃いな配置と異質な内容に対応する

活用場面

  • 企業の請求書で文章と空間配置を併せて読む
  • 契約書の文章と空間の構造を処理する
  • 報告書から多モーダルな情報を取り出す

結果とデータセット

  • 資料は 14 課題の 16 データセットで既存の大規模言語モデルを上回ると説明
  • 未見の 5 データセットへの良い汎化が記される
  • 企業文書で既存の大規模言語モデルを上回る性能を目指すと資料に記される

長所と短所

✓ 良い点

  • 軽量な拡張で高価な画像エンコーダを避ける
  • 事前学習の目標が不揃いな配置と異質な内容を扱う

! 注意したい点

  • 設計は画像符号化ではなく境界ボックス情報を中心にする
  • 資料の比較対象は既存の大規模言語モデル

よくある質問

どんな文書を扱う?

資料は企業文書の文章と空間配置を挙げ、請求書・契約書・報告書を例に示す。

データセットの数は?

資料は 14 課題の 16 データセットと、未見の 5 データセットへの汎化を記す。

最終評価日: 2026-11-15

その他 AIコーディングツール ツール

すべて見る →

評価方法