Tyfoon OCR: Open Vision-Language Model voor Thais Documentextractie
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
Samenvatting
Documentextractie is een kernonderdeel van digitale workflows, maar bestaande vision-language modellen (VLM's) richten zich voornamelijk op talen met veel resources. Het Thai vormt extra uitdagingen vanwege de complexiteit van het schrift met niet-Latijnse letters, het ontbreken van expliciete woordgrenzen en de prevalentie van sterk ongestructureerde documenten uit de praktijk, wat de effectiviteit van huidige open-source modellen beperkt. Dit artikel presenteert Typhoon OCR, een open VLM voor documentextractie die is toegesneden op Thai en Engels. Het model is verfijnd vanuit vision-language backbones met behulp van een trainingsdataset die op Thai is gericht. De dataset is ontwikkeld via een pijplijn voor dataconstructie met meerdere fasen die traditionele OCR, VLM-gestructureerde herstructurering en gecureerde synthetische data combineert. Typhoon OCR is een uniform raamwerk dat in staat is tot teksttranscriptie, lay-outreconstructie en documentbrede structurele consistentie. De nieuwste iteratie van ons model, Typhoon OCR V1.5, is een compact en inference-efficiënt model ontworpen om de afhankelijkheid van metadata te verminderen en de implementatie te vereenvoudigen. Uitgebreide evaluaties over diverse Thaise documentcategorieën, waaronder financiële rapporten, overheidsformulieren, boeken, infographics en handgeschreven documenten, tonen aan dat Typhoon OCR prestaties levert die vergelijkbaar zijn met of groter zijn dan die van grotere, propriëtaire topmodellen, ondanks aanzienlijk lagere rekenkosten. De resultaten tonen aan dat open vision-language OCR-modellen accurate teksextractie en lay-outreconstructie voor Thaise documenten kunnen bereiken, met prestaties vergelijkbaar met propriëtaire systemen, terwijl ze lichtgewicht en implementeerbaar blijven.
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.