Typhoon OCR: Modelo de Visão e Linguagem Aberto para Extração 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
Resumo
A extração de documentos é um componente central dos fluxos de trabalho digitais, contudo, os modelos visão-linguagem (VLMs) existentes privilegiam predominantemente idiomas de alta disponibilidade de recursos. A língua tailandesa apresenta desafios adicionais devido à complexidade do seu alfabeto, composto por caracteres não latinos, à ausência de limites explícitos entre palavras e à prevalência de documentos do mundo real altamente não estruturados, limitando a eficácia dos modelos *open-source* atuais. Este artigo apresenta o Typhoon OCR, um VLM aberto para extração de documentos, desenvolvido especificamente para tailandês e inglês. O modelo é refinado a partir de arquiteturas base visão-linguagem utilizando um conjunto de dados de treino focado no tailandês. O conjunto de dados é desenvolvido através de um *pipeline* de construção de dados multiestágio que combina OCR tradicional, reestruturação baseada em VLM e dados sintéticos curados. O Typhoon OCR é uma estrutura unificada capaz de transcrição de texto, reconstrução de layout e consistência estrutural a nível de documento. A última iteração do nosso modelo, o Typhoon OCR V1.5, é um modelo compacto e eficiente em inferência, concebido para reduzir a dependência de metadados e simplificar a implementação. Avaliações abrangentes em diversas categorias de documentos tailandeses, incluindo relatórios financeiros, formulários governamentais, livros, infográficos e documentos manuscritos, mostram que o Typhoon OCR atinge um desempenho comparável ou superior ao de modelos proprietários de ponta e maior dimensão, apesar de um custo computacional substancialmente inferior. Os resultados demonstram que os modelos de OCR visão-linguagem abertos podem alcançar uma extração de texto precisa e uma reconstrução de layout fiável para documentos tailandeses, atingindo um desempenho comparável a sistemas proprietários, mantendo-se, simultaneamente, leves e facilmente implementáveis.
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.