olmOCR 2（オルムオーシーアール2）

概要

olmOCR 2 は、米シアトル拠点の研究機関 Allen Institute for AI(AI2)が 2026 年に公開した第 2 世代のオープンソース OCR/文書理解モデルです。初代 olmOCR(2025)を改良し、表組み・数式・脚注・複数段組のような複雑な学術文書レイアウトの抽出精度を大幅に強化しました。

AI2 は OLMo シリーズ(完全オープンな LLM)で知られる研究機関で、olmOCR 2 もデータセット・学習コード・評価ベンチマーク・ウェイトを完全に公開する完全オープン路線を採っています。論文 PDF やスキャン書籍・古文書を Markdown や構造化 JSON に変換する用途で、研究・出版・教育機関での採用が進んでいます。Marker(VikParuchuri 開発)や Mistral OCR(Mistral La Plateforme 提供)と並ぶ「研究文書 OCR の最前線 OSS」として位置付けられます。

主な特徴・仕組み

• 7B クラスのビジョン言語モデルベース、Qwen2.5-VL 派生のアーキテクチャ。
• 数式 LaTeX 化、表組み HTML / Markdown 化、脚注リンク保持に対応。
• 複数段組レイアウトの自動検出と読み順復元。
• olmOCR-bench での Marker / Mistral OCR / GPT-4o-OCR との比較で同等以上スコア。
• 学習データセット・評価コード・ベンチマークを完全公開。
• Apache 2.0 ライセンス、商用利用可能。

ライバル製品との比較

自作PCでの選び方・注意点

7B クラスのビジョン言語モデルなので、4bit 量子化版で約 5GB の VRAM があれば動作します。RTX 4060 Ti 16GB / RTX 5060 / Mac mini M4 / Macbook Pro M3 Pro 18GB といった手頃な構成でローカル OCR バッチ処理が組めます。

論文 PDF の大量バッチ処理(数千本以上)を行う場合は、複数 GPU 並列か Cloud GPU(A10G / L4 など)の利用がコスト効率的です。olmOCR 2 は Hugging Face Transformers で動作し、vLLM / TGI とも互換があります。

関連用語との違い

• Marker: 高速・軽量だが数式精度は olmOCR 2 が上。Marker は前処理パイプ込みのフレームワーク。
• Mistral OCR: 商用 API のみ。プライバシー要件があれば olmOCR 2 のローカル運用が優位。
• Tesseract: 古典的 OCR エンジン。手書き・レイアウト解析・数式は olmOCR 2 が圧倒的に上。
• DocTR: 一般 OCR 用 OSS。olmOCR 2 は研究文書特化で精度面では一段上。

よくある質問(FAQ)

Q1: 日本語論文 PDF にも使えますか? A: 主要な訓練データは英語ですが、日本語の論文 PDF・書籍 PDF にも対応します。日本語 OCR 専用なら NDLOCR や PaddleOCR と併用すると精度が上がります。

Q2: 数式・表の変換精度は? A: 数式は LaTeX 形式、表は HTML / Markdown 形式で構造保持されます。Marker より一段精度が高く、商用 GPT-4o OCR にあと一歩という水準です。

Q3: ローカル PC で何ページ/秒くらい処理できますか? A: RTX 4090 で約 1-2 ページ/秒、Mac mini M4(GPU)で 0.5-1 ページ/秒が目安です。

まとめ

• 2026 年公開、AI2 のオープンソース OCR/文書理解モデル
• 学術論文・書籍 PDF の構造化抽出に特化、数式 LaTeX 化対応
• Apache 2.0 で商用可能、ベンチで Marker / Mistral OCR と肩を並べる
• RTX 4060 Ti / Mac mini M4 級の自作機でローカル運用可能