Тайфун OCR: Открытая модель компьютерного зрения и обработки естественного языка для извлечения информации из тайских документов

Typhoon OCR: Open Vision-Language Model For Thai Document Extraction

January 21, 2026

Авторы: Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul

cs.AI

Аннотация

Извлечение данных из документов является ключевым компонентом цифровых рабочих процессов, однако существующие модели «визуальный язык» (VLM) в основном ориентированы на языки с большими ресурсами. Тайский язык представляет дополнительные сложности из-за сложности письменности, использующей нелатинские символы, отсутствия явных границ слов и распространения слабоструктурированных реальных документов, что ограничивает эффективность современных открытых моделей. В данной статье представлена Typhoon OCR — открытая VLM для извлечения данных из документов, адаптированная для тайского и английского языков. Модель дообучена на основе визуально-языковых архитектур с использованием обучающего набора данных, сфокусированного на тайском языке. Набор данных разработан с помощью многоэтапного конвейера построения данных, сочетающего традиционное OCR, реструктуризацию на основе VLM и тщательно отобранные синтетические данные. Typhoon OCR представляет собой унифицированную систему, способную выполнять транскрипцию текста, реконструкцию макета и обеспечение структурной согласованности на уровне документа. Последняя итерация нашей модели, Typhoon OCR V1.5, представляет собой компактную и эффективную на этапе вывода модель, предназначенную для снижения зависимости от метаданных и упрощения развертывания. Комплексные оценки в различных категориях тайских документов, включая финансовые отчеты, государственные формы, книги, инфографику и рукописные документы, показывают, что Typhoon OCR демонстрирует производительность, сопоставимую или превосходящую более крупные проприетарные модели-лидеры, несмотря на существенно более низкие вычислительные затраты. Результаты свидетельствуют, что открытые визуально-языковые OCR-модели способны достигать точного извлечения текста и реконструкции макета для тайских документов, достигая производительности, сравнимой с проприетарными системами, оставаясь при этом легковесными и удобными для развертывания.

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.