Typhoon OCR: Modello Open Vision-Language per l'Estrazione di Documenti Thailandesi
Typhoon OCR: Open Vision-Language Model For Thai Document Extraction
January 21, 2026
Autori: Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul
cs.AI
Abstract
L'estrazione di documenti è un componente fondamentale dei flussi di lavoro digitali, eppure i modelli visione-linguaggio (VLM) esistenti privilegiano prevalentemente le lingue ad alta disponibilità di risorse. La lingua thailandese presenta sfide aggiuntive a causa della complessità della scrittura con caratteri non latini, dell'assenza di delimitatori di parole espliciti e della prevalenza di documenti real-world altamente non strutturati, limitando l'efficacia degli attuali modelli open-source. Questo articolo presenta Typhoon OCR, un VLM aperto per l'estrazione di documenti specificamente progettato per thailandese e inglese. Il modello è stato affinato partendo da architetture visione-linguaggio di base utilizzando un dataset di addestramento incentrato sulla lingua thailandese. Il dataset è stato sviluppato mediante una pipeline di costruzione dati multi-stadio che combina OCR tradizionale, ristrutturazione basata su VLM e dati sintetici accuratamente curati. Typhoon OCR è un framework unificato in grado di effettuare trascrizione del testo, ricostruzione del layout e mantenimento della coerenza strutturale a livello di documento. L'ultima iterazione del nostro modello, Typhoon OCR V1.5, è un modello compatto ed efficiente nell'inferenza, progettato per ridurre la dipendenza dai metadati e semplificare la distribuzione. Valutazioni complete su diverse categorie di documenti thailandesi, inclusi report finanziari, moduli governativi, libri, infografiche e documenti manoscritti, mostrano che Typhoon OCR raggiunge prestazioni paragonabili o superiori a quelle di modelli proprietari all'avanguardia e di dimensioni maggiori, nonostante un costo computazionale sostanzialmente inferiore. I risultati dimostrano che i modelli OCR visione-linguaggio open-source possono ottenere un'estrazione accurata del testo e una ricostruzione fedele del layout per documenti thailandesi, raggiungendo prestazioni paragonabili ai sistemi proprietari pur rimanendo leggeri e facilmente distribuibili.
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.