XNews

WeVisDoc:テンセント微信、エンドツーエンド文書解析ツールをオープンソース化

WeVisDoc:テンセント微信、エンドツーエンド文書解析ツールをオープンソース化

テンセント微信のビジョンチームは、ページ画像を入力として、テキスト、LaTeX数式、HTMLテーブルを含む構造化されたMarkdownを単一のシーケンスで出力するエンドツーエンド文書解析ツール「WeVisDoc」をオープンソース化した。Qwen3-VL-2B/4B-Instructをベースに、カバレッジと能力配分に焦点を当てた2段階のトレーニング戦略を採用している。WeVisDoc-4BはOmniDocBenchで95.38を記録し、特に劣化した入力に対して強みを示した。

Key insights

2段階トレーニング:カバレッジから能力へ

WeVisDocはデータ中心の2段階アプローチを採用。第1段階では、ソースバランスの取れた異種データと構造を保持したスタイル合成を用いて、意味的、構造的、外観の各次元にわたるカバレッジを拡大する。診断フェーズでは、残差分析により系統的な障害クラスターを特定する。第2段階では、残差を考慮した重みとハードサンプルを用いて、自然データを圧迫することなく、弱い領域にトレーニングトークンを割り当てる。

パフォーマンス:劣化入力に強い

OmniDocBench v1.6において、WeVisDoc-4Bは95.38を記録し、HunyuanOCR-1.5(94.74)をわずかに上回った。PureDocBenchでは、一貫した改善が見られた:Clean 79.81、Digital Degraded 77.74、Real Degraded 69.08で、それぞれ次点より約1.4ポイント高い。アブレーション研究では、第2段階の効果が劣化度合いに応じて増大することが示された:Cleanで+0.49、Digitalで+2.55、Realで+4.03。これは、残差駆動型の割り当て戦略が最も必要な箇所で最も効果を発揮することを裏付けている。

Source posts