Typhoon OCR: Offenes Vision-Sprache-Modell zur Extraktion thailändischer Dokumente
Typhoon OCR: Open Vision-Language Model For Thai Document Extraction
January 21, 2026
papers.authors: Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul
cs.AI
papers.abstract
Die Dokumentenextraktion ist eine Kernkomponente digitaler Workflows, doch bestehende Vision-Language-Modelle (VLMs) begünstigen überwiegend Hochressourcensprachen. Thai stellt aufgrund der Skriptkomplexität durch nicht-lateinische Buchstaben, dem Fehlen expliziter Wortgrenzen und der Verbreitung hochgradig unstrukturierter realer Dokumente zusätzliche Herausforderungen dar, was die Wirksamkeit aktueller Open-Source-Modelle einschränkt. Dieses Papier stellt Typhoon OCR vor, ein offenes VLM für die Dokumentenextraktion, das für Thai und Englisch optimiert ist. Das Modell wurde auf Basis von Vision-Language-Backbones mittels eines thailändisch-zentrierten Trainingsdatensatzes feinabgestimmt. Der Datensatz wurde durch eine mehrstufige Datenkonstruktionspipeline entwickelt, die traditionelle OCR, VLM-basierte Restrukturierung und kuratierte synthetische Daten kombiniert. Typhoon OCR ist ein einheitliches Framework, das Texterkennung, Layoutrekonstruktion und dokumentenübergreifende strukturelle Konsistenz ermöglicht. Die neueste Iteration unseres Modells, Typhoon OCR V1.5, ist ein kompaktes und inferenzeffizientes Modell, das entwickelt wurde, um die Abhängigkeit von Metadaten zu verringern und die Bereitstellung zu vereinfachen. Umfassende Evaluierungen über diverse thailändische Dokumentkategorien hinweg – einschließlich Finanzberichten, Behördendokumenten, Büchern, Infografiken und handgeschriebenen Dokumenten – zeigen, dass Typhoon OCR eine Leistung erreicht, die mit größeren proprietären Spitzenmodellen vergleichbar ist oder diese übertrifft, und dies bei deutlich geringeren Rechenkosten. Die Ergebnisse demonstrieren, dass offene Vision-Language-OCR-Modelle eine präzise Textextraktion und Layoutrekonstruktion für thailändische Dokumente erreichen können, wobei sie eine mit proprietären Systemen vergleichbare Leistung erzielen und dabei ressourcenschonend und einfach bereitzustellen bleiben.
English
Document extraction is a core component of digital workflows, yet existing vision-language models (VLMs) predominantly favor high-resource languages. Thai presents additional challenges due to script complexity from non-latin letters, the absence of explicit word boundaries, and the prevalence of highly unstructured real-world documents, limiting the effectiveness of current open-source models. This paper presents Typhoon OCR, an open VLM for document extraction tailored for Thai and English. The model is fine-tuned from vision-language backbones using a Thai-focused training dataset. The dataset is developed using a multi-stage data construction pipeline that combines traditional OCR, VLM-based restructuring, and curated synthetic data. Typhoon OCR is a unified framework capable of text transcription, layout reconstruction, and document-level structural consistency. The latest iteration of our model, Typhoon OCR V1.5, is a compact and inference-efficient model designed to reduce reliance on metadata and simplify deployment. Comprehensive evaluations across diverse Thai document categories, including financial reports, government forms, books, infographics, and handwritten documents, show that Typhoon OCR achieves performance comparable to or exceeding larger frontier proprietary models, despite substantially lower computational cost. The results demonstrate that open vision-language OCR models can achieve accurate text extraction and layout reconstruction for Thai documents, reaching performance comparable to proprietary systems while remaining lightweight and deployable.