Tifón OCR: Modelo de Visión y Lenguaje Abierto para la Extracción de Documentos Tailandeses
Typhoon OCR: Open Vision-Language Model For Thai Document Extraction
January 21, 2026
Autores: Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul
cs.AI
Resumen
La extracción de documentos es un componente central de los flujos de trabajo digitales; sin embargo, los modelos de visión y lenguaje (VLM) existentes se inclinan predominantemente por idiomas de altos recursos. El tailandés presenta desafíos adicionales debido a la complejidad de su escritura con caracteres no latinos, la ausencia de límites explícitos entre palabras y la prevalencia de documentos del mundo real altamente no estructurados, lo que limita la eficacia de los modelos de código abierto actuales. Este artículo presenta Typhoon OCR, un VLM abierto para la extracción de documentos, diseñado específicamente para tailandés e inglés. El modelo se ajusta a partir de arquitecturas base de visión y lenguaje utilizando un conjunto de datos de entrenamiento centrado en el tailandés. Dicho conjunto de datos se desarrolla mediante una pipeline de construcción de datos en múltiples etapas que combina OCR tradicional, reestructuración basada en VLM y datos sintéticos cuidadosamente seleccionados. Typhoon OCR es un marco unificado capaz de realizar transcripción de texto, reconstrucción de diseño y mantener la coherencia estructural a nivel de documento. La última iteración de nuestro modelo, Typhoon OCR V1.5, es un modelo compacto y eficiente en inferencia, diseñado para reducir la dependencia de metadatos y simplificar su despliegue. Evaluaciones exhaustivas en diversas categorías de documentos tailandeses, que incluyen informes financieros, formularios gubernamentales, libros, infografías y documentos manuscritos, muestran que Typhoon OCR alcanza un rendimiento comparable o superior al de modelos propietarios líderes más grandes, a pesar de un coste computacional sustancialmente menor. Los resultados demuestran que los modelos OCR de visión y lenguaje abiertos pueden lograr una extracción de texto precisa y una reconstrucción del diseño para documentos en tailandés, alcanzando un rendimiento comparable al de sistemas propietarios mientras se mantienen ligeros y desplegables.
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.