PageIndex Flash:完全ローカルPDFツリーエンジン、視覚モデルではなくレイアウト構造を活用

PageIndex Flashは、オープンソースで完全ローカル動作のPDFインデックスエンジンであり、視覚モデルによる推論に頼らず、PDF自体のレイアウト情報を読み取って階層的な目次を構築する。長文書における「類似性≠関連性」問題に対処するため、LLMがツリーインデックスをナビゲートして正しいページを特定する。2段階のプロセスでは、見出し、ページ範囲、要約を含むツリーを構築し、その後LLMがツリーを検索する。gpt-5.6-lunaを用いた場合のインデックスコストは1ページあたり約0.001ドル(1000ページの教科書で約1ドル)、9ページから1098ページの文書におけるインデックス時間は13秒から4.5分の範囲である。MMLongBench-Doc-V2の62のルックアップ質問において、ツリー検索は全文入力より優れており、52ページの文書では全文検索の2.1倍、420ページでは16.6倍のコストがかかり、800ページを超えると全文検索はコンテキストウィンドウを超える。スキャン文書や画像主体のPDFでは動作せず、その場合はPageIndex Cloudが必要となる。エージェント統合には、OpenAI Agents SDK、Anthropic、LangChain、PydanticAIなどのフレームワーク向けにas_openai_tools()およびagent_instructions()を提供する。