Typhoon OCR : Modèle ouvert vision-langage pour l'extraction de documents thaïlandais
Typhoon OCR: Open Vision-Language Model For Thai Document Extraction
January 21, 2026
Auteurs: Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul
cs.AI
Résumé
L'extraction de documents est un composant central des flux de travail numériques, mais les modèles vision-langue (VLM) existants privilégient majoritairement les langues à ressources abondantes. Le thaï présente des défis supplémentaires en raison de la complexité de son écriture non latine, de l'absence de délimiteurs explicites entre les mots et de la prévalence de documents réels très peu structurés, ce qui limite l'efficacité des modèles open-source actuels. Cet article présente Typhoon OCR, un VLM ouvert pour l'extraction de documents conçu pour le thaï et l'anglais. Le modèle est affiné à partir d'architectes de base vision-langue en utilisant un jeu de données d'entraînement centré sur le thaï. Le jeu de données est développé grâce à un pipeline de construction de données en plusieurs étapes qui combine la ROC traditionnelle, la restructuration par VLM et des données synthétiques soigneusement sélectionnées. Typhoon OCR est un framework unifié capable de transcription de texte, de reconstruction de la mise en page et de maintien de la cohérence structurelle au niveau du document. La dernière itération de notre modèle, Typhoon OCR V1.5, est un modèle compact et efficace à l'inférence conçu pour réduire la dépendance aux métadonnées et simplifier le déploiement. Des évaluations complètes sur diverses catégories de documents thaïlandais, incluant des rapports financiers, des formulaires gouvernementaux, des livres, des infographies et des documents manuscrits, montrent que Typhoon OCR atteint des performances comparables ou supérieures à celles de grands modèles propriétaires de pointe, malgré un coût computationnel substantiellement inférieur. Les résultats démontrent que les modèles de ROC vision-langue ouverts peuvent réaliser une extraction précise du texte et une reconstruction fidèle de la mise en page pour les documents thaïlandais, atteignant des performances comparables aux systèmes propriétaires tout en restant légers et déployables.
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.