合成データはタイ語OCRをどこまで進化させられるか？中央値CER 1.24%に到達したレシピの内部
元論文： How Far Can Synthetic Data Take Thai OCR? — Kunat Pipatanakul
ドキュメントビジョンモデルのトレーニングを悩ませるパズル
ドキュメントビジョンモデルをトレーニングするすべての人を悩ませるべきパズルがあります。公開されている英語のドキュメントを取り、そのテキストを消去し、ラベルの大半をタイ語に翻訳して、元の領域に再描画し、OCR認識器をトレーニングします。次に、本物のタイ語ドキュメントを取り、そのテキストを消去し、タイ語のOCRラベルを元のレイアウトに再描画して、同じモデルアーキテクチャをトレーニングします。
どちらのモデルが実際のタイ語ドキュメントでより良いパフォーマンスを発揮するでしょうか？
ネイティブなタイ語ドキュメントと答えたなら、モデルがページ全体を一度に読み取る場合、あなたは正解です。しかし、モデルが切り抜かれた領域を処理する場合、この実験では間違った答えになります。切り抜きレベルのトレーニング下では、再構築された英語ソースを供給されたモデルが、再構築されたタイ語ソースでトレーニングされたモデルを凌駕し、保持された印刷ページで5.52%の中央値文字誤り率を記録し、対して15.59%という結果となりました。
この逆転現象は、Wayu ResearchとPaxa LabsのKunat Pipatanakulによる技術報告書『How Far Can Synthetic Data Take Thai OCR?』の驚くべき発見の一つです。この論文では、合成データの「リアリズム」を単一の要素として扱うのではなく、タイポグラフィ、空間レイアウト、非テキストコンテキスト、グリフのバリエーションを分離し、それらの寄与がトレーニング設定に応じてどのように変化するかをテストします。
実用的な成果として、PaddleOCR-VL-1.6を基に45,723ページの合成データを使用して適応させた0.9億パラメータのモデルWayu-Paxa-OCR-Zeroが生まれました。報告された評価では、この適応により、印刷ページの中央値文字誤り率が6.64%から1.24%に低下し、手書きの誤り率が74.87%から20.55%に大幅に削減され、5つの評価セットすべてでTyphoon OCR v1 7Bを凌駕しました。
「合成データのみ」という記述には正確な境界が必要です。この適応では、実際のタイ語ドキュメントページをソース画像として使用しておらず、これらのドキュメントからのページレベルのOCRスーパービジョンも使用していません。ただし、実際の手書きグリフとiAppの手書き切り抜きは使用しています。また、既存の事前学習済みチェックポイントに基づいています。
この合成レシピがなぜ機能するのか、その利点がどこで止まるのか、そしてこれらの発見がドキュメント処理パイプラインに何を示唆しているのかを掘り下げてみましょう。
ドキュメントモデルに挑むスクリプト
本論文は、言語間のカバー率の偏りから議論を開始します。オープンなドキュメントモデル、データセット、ベンチマークは英語と中国語を中心に構築されてきましたが、タイ語には信頼性が高く、公開されているドキュメントラベルが比較的少ないのが現状です。
この問題において、教師データの作成が特に重要となる理由は以下の3点です。
- 多段階の文字配置: タイ語の母音や声調記号は複数の垂直レベルにまたがって配置されることがあります。レンダリング時には、これらの記号を含む完全な整形済みテキストを考慮する必要があります。
- 不完全な抽出ラベル: PDFからのテキスト抽出やOCRによる擬似ラベル生成では、文字の欠落、結合記号の順序入れ替え、読み順の破損などが生じることがあります。手動での修正には多大なコストがかかります。
- 外観のばらつき: 印刷フォントと実際の手写体は、認識器に異なる文字形状を提示します。実験では、フォントの多様性とサンプリングされた手写体グリフが、このギャップを埋めるのに役立つかを検証しています。
合成再構成には有用な利点があります。レンダラーは配置するテキストと使用する領域を正確に把握しているため、トレーニングパイプラインは、各完成ページを手動で文字起こしするのではなく、生成されたコンテンツに直接紐付いたラベルを得ることができます。
しかし、正確な生成ラベルが必ずしも成功した転移を保証するわけではありません。モデルは合成ページから学習しても、実際のドキュメントでは苦労することがあります。したがって、本論文の中心的な問いは明確です。生成されたページのどの特性が実際に学習に役立つのか？
さらに、本論文は「合成教師データ」の意味を2つに区別しています。一部の制御実験では、OCRラベルを用いて実際のタイ語ページを再構成しています。一方、最終的なWayu-Paxa-OCR-Zeroレシピでは、公開されている英語のソースドキュメントを使用し、生成過程でタイ語テキストと手写体素材を導入しています。
これらは異なるデータ条件であり、結果を理解するためにはこれらを明確に区別することが不可欠です。
制御された再構築：合成ページの解剖
Pipatanakul は、論文内で docaug としてリンクされているインプレース（その場での）再構築パイプラインを導入しています。このパイプラインは、ソースページと注釈付きテキスト領域から始まり、元のテキストピクセルを消去またはインペイントし、置換ラベルを対応する領域に再度レンダリングします。
このアプローチにより、実験において以下の5つの特性を制御できます。
- ソースドメイン: DocLayNet、Crello、PubTabNet にある公開の英語ページを再構築するか、実際のタイ語印刷ページを使用するか。
- 非テキストコンテキスト: ソースの背景や非テキスト要素を保持するか、テキスト領域を残したままそれらを白で置き換えるか。
- タイポグラフィの多様性: 計測されたタイ語フォントのプロファイルからサンプリングするか、単一のフォントを使用するか。
- 2次元レイアウト: 元の配置を保持するか、読み順に従って領域を垂直に積み重ねるか。
- 手書きの筆致: 手書きフォントをレンダリングするか、グリフバンクから実際の文字インスタンスをサンプリングするか。
ドメイン外データセットでは、ほとんどのソーステキストがタイ語に翻訳されます。残りの7.61%のページは英語ラベルを保持しており、これは実際のタイ語印刷コレクションにおける英語の割合を近似しています。
テキストフィッティングはプロセスの重要な部分です。パイプラインは HarfBuzz を使用して各完全な領域レベルのラベルを整形し、フォントと文字サイズをサンプリングしてから、テキストが元の領域に収まるまでサイズを縮小します。最小許容サイズでもラベルがオーバーフローする場合、そのページ全体は棄却されます。
その結果、既知のラベルと領域の幾何学形状を保持したまま、トレーニングページの外観を制御して変更する方法が実現します。
驚きの結果：何が重要で、何が単なるノイズなのか
著者は実験のテストベッドとして Qwen3-VL-2B-Instruct を使用し、ページレベルとクロップレベルの学習を比較している。ソースプロパティのアブレーション（除去実験）では、順に非テキストコンテキスト、フォントの多様性、そして2次元レイアウトを除去していく。
この順序が重要である。最終行は3つの除去をすべて組み合わせたものである。完全な再構成との差は、レイアウトのみには帰因できない。
1. 非テキストコンテキストには一貫した影響がほとんどない
再構成において、背景、図、罫線、スキャンアーティファクトを白キャンバス（White-layout）に置き換えると、中央値のパフォーマンスは比較的少なくなだらかに変化する。3つの評価セットと両方の学習設定において、文字誤り率（CER）の中央値は最大で1.62ポイントしか変動しない。
印刷されたHeldoutページでは、非テキストコンテキストを除去すると、ページレベルのCER中央値は5.07%から4.78%に、クロップレベルのCER中央値は5.52%から4.86%に変化した。
文字加重平均はより一貫性がない。ページレベルの印刷認識では、中央値が改善する一方で、16.90%から21.05%に上昇した。一方、クロップレベルの学習下では、19.09%から16.69%に低下した。
支持される結論は「背景は重要ではない」というものより狭い。これらの再構成実験において、保持された非テキストコンテキストはCERに対して一貫した利益をもたらさない。本研究は、模擬された紙の損傷、照明効果、またはテキスト自体の劣化のあらゆる種類を個別にテストしているわけではない。
2. フォントの多様性は手書きへの転移を助ける
著者は8,000ページの公開タイ語PDFをプロファイルし、集中した書体分布を見出した。693の観測されたファミリー名のうち、上位10つがタイ語文字の80.9%を占める：
- Cordia New: 18.6%
- Angsana New: 15.3%
- TH Sarabun PSK: 14.7%
- TH Sarabun New: 14.2%
- Browallia New: 6.9%
- TH Sarabun IT๙: 4.7%
- DB ThaiText X: 2.4%
- Cordia UPC: 1.9%
- Tahoma: 1.1%
- DB FongNam X: 1.1%
- 他の683ファミリーの合計: 19.1%
この多様なプロファイルを単一の書体 TH Sarabun New に置き換えると、白背景バリアントと比較して、ページレベル学習では印刷CER中央値が0.56ポイント、クロップレベル学習では2.15ポイント増加した。
手書きの損失はより大きい。より広範なHandwritingセットでは、ページレベル学習下でCER中央値が43.16%から49.86%に上昇し、6.70ポイントの増加となった。クロップレベル学習下では、50.77%から62.13%に上昇し、11.36ポイントの増加となった。
Easy Handwritingでも同様の傾向が見られ、それぞれ9.48ポイントと13.37ポイントの増加となった。
この実験は実用的な発見を支持している：書体の多様性は手書きへの転移を助ける。ただし、モデルが内部の文字特徴のどの部分を学習しているのか、あるいは最も一般的なフォントの小さな選択が完全なプロファイルの結果を再現するかどうかは、確立されていない。
3. レイアウトの平坦化はさらに手書き認識を損なう
残りのテキスト領域を読書順に縦に積み重ねるとどうなるか。研究者たちは、白背景・単一フォントの条件を基にした Linear-white-single-font を用いてこれをテストした。
Handwritingでは、クロップレベルのCER中央値が62.13%から70.17%に上昇した。ページレベル学習下では、49.86%から58.40%に上昇した。Easy Handwritingの中央値も両方とも悪化した。
印刷認識は異なる挙動を示した。クロップレベルのCER中央値は7.01%から9.60%に上昇したが、ページレベルの中央値は5.34%から5.07%に変化した。
したがって、空間的配置は両方の設定における手書きへの転移、およびクロップレベル比較における印刷認識にとって重要である。結果はすべての指標で普遍的な劣化を示すものではなく、クロップレベル効果の背後にあるメカニズムを確立するものでもない。
Successive Ablations: Crop-Level Out-of-Domain Training
-------------------------------------------------------------
Training Variant Heldout Med CER Handwriting Med CER
Full Out-of-Domain Synthetic 5.52% 49.15%
Remove non-text context 4.86% 50.77%
Also remove font diversity 7.01% 62.13%
Also remove two-dimensional layout 9.60% 70.17%
## 粒度反転：ページレベル対クロップレベル
最も興味深い結果は、トレーニングの粒度が好まれるソースデータにどのような変化をもたらすかという点です。本論文では、以下の2つの設定を比較しています。
- **ページレベル**: モデルは完全なドキュメント画像を受け取り、リーディングオーダー（読み順）に従って、領域、バウンディングボックス、カテゴリ、テキストを含むJSONオブジェクトを生成します。
- **クロップレベル**: 認識器は個別に注釈が付けられた領域に対してトレーニングされます。推論時、レイアウト検出器が認識用のクロップ（切り抜き画像）を供給するため、報告されるパイプラインスコアには、検出エラーとリーディングオーダーのエラーが含まれます。
著者が再構築されたタイ語ドキュメントと再構築された英語ソースを比較すると、勝者が入れ替わります。
トレーニング粒度の反転：ホールドアウト印刷データにおける中央値CER
ページレベルモデル (Qwen3-VL-2B-Instruct): • ドメイン内タイ語再構築: 1.82% <-- CERが低い • ドメイン外再構築: 5.07%
クロップレベルモデル (Qwen3-VL-2B-Instruct): • ドメイン内タイ語再構築: 15.59% • ドメイン外再構築: 5.52% <-- CERが低い
この反転現象は、手書きデータセットの両方でも現れます。ドメイン内再構築により、ページレベルの手書き中央値は43.99%から36.27%に改善されますが、クロップレベルの中央値は49.15%から52.77%へと悪化します。
なぜこのようなことが起こるのでしょうか？論文では、その原因は明示的に未解決のまま残されています。
2つのシステムは異なる量のドキュメントコンテキストを受け取りますが、この区別だけでは、なぜあるソースが勝つのかを説明するものではありません。本研究は、英語ソースのクロップがより多様であることや、タイ語の行政文書ブロックがより均一であること、あるいはこれらの性質のいずれかが反転を引き起こすことを示していません。
しかし、確立されたことは、実験計画を変更するのに十分なものです。ソースドメインのマッチングが、すべての認識アーキテクチャに役立つとは限りません。この比較では、ページレベルの認識を大幅に改善するソースが、クロップレベルの印刷認識を大幅に悪化させています。
## 手書きの問題：フォントアウトラインと実際のグリフ
手書きフォントは、同じ文字が出現するたびに、一般的に同じ基盤となるアウトラインを繰り返します。一方、実際の手書きサンプルのバンク（コレクション）を使用することで、レンダラーはそれらの出現箇所に変化を導入できます。
本論文では、この違いが転移学習を改善するかどうかを検証しています。手書きフォントのバリアントは、測定されたプロファイルではなく、693のフォントファミリーからなるフルバンクからサンプリングします。ページの24.0%が手書きフォントを使用し、その半分はインスタンスごとのストローク歪みを受けます。
実際のグリフのバリアントは、サンプリングされた文字画像を使用して、同じ手書きサブセットを再描画します。ラベル、領域注釈、インクの高さ、インクの色は固定されたままです。
グリフバンクは、以下の多段階パイプラインから作成されます：
1. **検出**: YOLOv8ベースの検出器が、iAppの手書きライン画像とReal Thai Handwritingのトレーニング分割から、約570万の候補グリフボックスを生成します。
2. **アライメントとフィルタリング**: 候補は整形されたラインラベルにアライメントされ、グリフ分類器または商用OCRでチェックされ、サイズと形状でフィルタリングされ、534,404の候補が残ります。
3. **VLM検証**: Gemini 3.5 Flashがサンプリングされた候補を検証し、12,090のインスタンスを確認します。
4. **アセンブリ**: 論文では、書き手間でサンプリングして組み立てられた、76の文字クラスにわたる5,953のグリフインスタンスからなる最終的なバンクを報告しています。
手書きグリフパイプライン: [570万の候補] -> [53万のフィルタリング済み] -> [12,090の検証済み] -> [5,953のバンクインスタンス]
レンダリング中、サポートされている文字の出現は独立してサンプリングされます。そのため、繰り返される文字は異なるストロークを受け取る可能性がありますが、独立したサンプリングが毎回異なるインスタンスを保証するわけではありません。このプロセスは、ページ内で一貫した書き手を強制しません。
再描画されたページでは、バンクはタイ文字インスタンスの96.3%をカバーしています。サポートされていない文字は、ページフォントにフォールバックします。
表5の結果は、一貫した手書きの利点を示しています：
- ベースのドメイン外合成データは、ページレベルのトレーニングで手書きにおいて**43.99%**の中央値CER（文字誤り率）を達成します。
- 手書きフォントを追加すると、**38.65%**に低下します。
- 実際のグリフインスタンスを使用すると、さらに**37.91%**に低下し、Easy Handwritingでは**30.66%**に達します。
実際のグリフが手書きフォントに置き換えられた場合、クロップレベルの手書き中央値も改善します。
しかし、実際の手書きスーパービジョンとのギャップは依然として残っています。Real Thai PrintとHandwritingでトレーニングすると、手書きでは**26.05%**、Easy Handwritingでは**20.79%**の中央値CERに達します。これらの実データラベルは、人間の文字起こしとして説明されるのではなく、OCRとVLMの擬似ラベリングパイプラインを通じて構築されています。
論文では、より大きなグリフバンクの影響については将来の研究に委ねられています。また、ギャップを引き起こす残りの手書き特性のどれが該当するかを分離していません。
## Wayu-Paxa-OCR-Zero: 生成されたモデル
アブレーション実験から得られた知見を活かし、著者は **PaddleOCR-VL-1.6** を **Wayu-Paxa-OCR-Zero** に適応させ、0.9Bパラメータのアーキテクチャを維持しました。
推論時、PP-DocLayoutV3 が認識器に領域を供給します。PaddleOCR-VL のトレーニングでは、テーブルのターゲットには最適化されたテーブル構造言語（OTSL）を使用し、スパンを忠実に表現できないテーブルは除外されます。
トレーニングコレクションには **45,723 枚の合成ページ** が含まれます：
- **39,534 枚のベース合成ページ**：DocLayNet、Crello、PubTabNet から抽出。7,131 枚のページの手書きフォントレンダリング版と実 glyph コピーの両方を含む。
- **3,999 枚の手書き特化ページ**：手書き glyph でレンダリングされた 3,000 枚の非重複 DocLayNet-v1.2 ページと、iApp の手書きクロップを貼り付けた 999 枚の合成ページ。
- **2,190 枚の合成フォーム**：CommonForms テンプレートから再構築され、フィールド値に stitch された glyph を含む。
公開されている英語のソースが、ソースドキュメントとテンプレートを提供します。この最終レシピのソースページとして、制御された研究からの Real Thai ドキュメントページは使用されていません。
ただし、パイプラインに Real Thai の手書き入力がまったくないわけではありません。その glyph バンクには Real Thai Handwriting トレーニング分割から抽出された素材が含まれており、追加ページには iApp のクロップが含まれています。「合成のみ」という記述は、生成されたトレーニングページとそのスーパービジョンを指しており、データ構築のどこにも実手書き素材が存在しないことを意味するものではありません。
すべての 0.9B パラメータを 1 エポックでトレーニングし、学習率は 3 × 10⁻⁵、コサインスケジュール、ウォームアップ比率 0.03、有効バッチサイズ 16 を使用しました。
### ベンチマークの直接比較
論文では、5 つのセットを評価しています：Heldout 印刷タイ語ページ（301 ページ）、Handwriting（200 ページ）、Easy Handwriting（200 ページ）、ThaiOCRBench、および SEA-DocBench のクリーンなタイ語サブセット（1,148 ページ）。
ThaiOCRBench の結果は、監査された 5 つの読み取りタスクにおける各集計値の平均です。Easy Handwriting は、2 つの独自の手書き認識システム間の不一致が低いページを選択します。
Comparative Performance: CER in Percent; Lower Is Better
Benchmark PaddleOCR-VL-1.6 Wayu-Paxa-OCR-Zero Typhoon OCR 7B Typhoon OCR 1.5 2B Gemini 3.7 Flash (0.9B Base) (0.9B Adapted)
Heldout (Print) - Med 6.64% 1.24% 2.54% 0.21% 0.00% Heldout (Print) - Mean 27.60% 14.75% 18.27% 5.47% 3.56%
Handwriting - Med 74.87% 20.55% 43.60% 19.36% 11.29% Handwriting - Mean 67.90% 22.28% 49.36% 21.86% 15.04%
Easy Handwriting - Med 73.74% 14.18% 34.99% 9.02% 3.89% Easy Handwriting - Mean 69.41% 17.08% 45.06% 15.74% 7.64%
ThaiOCRBench - Med 38.0% 15.3% 30.6% 6.2% 0.9% ThaiOCRBench - Mean 43.3% 25.6% 44.7% 16.8% 3.8%
SEA-DocBench - Med 8.87% 4.86% 9.22% 5.81% 5.51% SEA-DocBench - Mean 18.54% 9.99% 17.57% 12.80% 10.62%
これらの数値は、いくつかの顕著な成果を示しています：
1. **ベースモデルに対する大幅な改善**：合成レシピにより、すべての評価セットで中央値および平均 CER が減少しました。印刷ページの中央値 CER は 6.64% から 1.24% に、手書きページの中央値 CER は 74.87% から 20.55% に低下しました。
2. **ほぼ 8 倍のサイズのモデルを上回る**：Wayu-Paxa-OCR-Zero は、5 つのセットすべてで Typhoon OCR 7B を上回りました。その手書きページの中央値 CER は、7B モデルの 43.60% の半分以下です。
3. **クリーンなタイ語 SEA-DocBench ページでの強力な結果**：その中央値 4.86% および平均 9.99% の CER は、Gemini 3.7 Flash を含む、そのサブセット上のすべての比較システムよりも低いです。
新しい Typhoon OCR 1.5 2B は、他の 4 つの評価セットで Wayu-Paxa-OCR-Zero をリードしています。Gemini 3.7 Flash は、3 つの内部セットおよび ThaiOCRBench で最も低い CER を記録しています。
これらの比較は、報告された評価下での競争力を確立しています。しかし、合成スーパービジョンが、アーキテクチャ、規模、事前学習、スーパービジョンが異なる他のシステムで使用されるトレーニングデータよりも本質的に優れていることを証明するものではありません。
## メトリクスの罠：中央値と平均値が語る異なる物語
Wayu-Paxa-OCR-Zeroの印刷結果を詳しく見ると、中央値CERは**1.24%**ですが、平均CERは**14.75%**となっています。
なぜこれほど大きな開きがあるのでしょうか？
この2つの集計値は、異なる問いに答えるものです：
- **中央値CER**は、ページごとのエラー率の中央値です。これは評価対象のページ分布の中央を示しますが、特定のドキュメントカテゴリにおける精度を定義するものではありません。
- **平均CER**は文字数で加重されています。長いページほど寄与度が高く、エラー率の高いページは集計値に不均衡に影響を与えます。
また、報告されている数値の背後にはスコアリングの詳細があります。論文では**投影CER（projected CER）**を使用しており、予測結果は正規化され、評価対象のテキスト領域とファジィにアライメントされた後にスコアリングされます。主張されたスパン外のテキストは破棄され、主張されたスパン内のエラーと欠落した評価領域は依然として課金対象となります。
アルゴリズムは正規化中に空白と指定されたマークアップまたはコンテンツを除去し、各ページのCERを100%に上限設定します。報告されている平均値は、これらの上限設定されたページスコアの文字加重平均です。したがって、これらはフィルタリングされていない全文書転写スコアではありません。
集計値がどのように分かれるかを示す単純な仮定例を以下に示します：
等長の10ページ: 9ページが1% CER 1ページが85% CER
中央値CER: 1% 平均CER: 9.4%
実際の中央値と平均値の開きは、より難しいページが集計エラーに不均衡に寄与していることと一致しています。表だけでは、特定の失敗モードを特定したり、それらに苦しんだページの数を示したりすることはできません。
実際の教師データとの比較が、この限界を具体的なものにします。ページレベルのトレーニングが一致した場合、ドメイン内合成データはタイ語印刷物の**1.31%**に対して**1.82%**の中央値CERに達します。しかし、その平均値は、実際の印刷教師データの**9.79%**と比較して**16.20%**です。
これらの実データラベルは、Azure OCRに続きVLM正規化によって生成されています。内部評価の参照データも、Azure OCRとGemini 2.5 Flashを使用して生成された疑似ラベルです。
再構築アプローチは、この実験における典型的な印刷ページでは実際の教師データに近づきますが、文字加重集計値ではより大きな開きを残しています。
## なぜ重要なのか：ドキュメントAIチームのための実践的なロードマップ
タイ語や他のアノテーションが限られた言語で作業するチームにとって、この論文は有用な実験的なプレイブックを提供しています。その最も強力な教訓は、普遍的な本番環境のルールではなく、何を測定し比較すべきかに関するものです。
### 1. 非テキストコンテキストの価値を検証する
保持された背景や非テキスト要素は、ここでは一貫したCER（文字誤認識率）の恩恵をもたらしていません。したがって、ソースページのコンテキストに多大な投資を行う前に、白背景の再構築は有用な比較対象となります。結果は、あらゆる形態の劣化モデリングをテストせずに破棄することを正当化していません。
### 2. フォントの多様性を維持し評価する
測定されたプロファイルは、タイ語ドキュメントのレンダリングのための現実的な出発点を提供します。これを単一の書体で置き換えると、手書き文字の転移が損なわれます。この研究は、単一フォントベースラインよりも多様性を支持していますが、上位10または20のフォントのみを保持することが十分であることを示していません。
### 3. データ実験をモデルアーキテクチャに合わせる
使用を意図するトレーニングの粒度を使用して、候補のソースデータセットを評価します。ここでは、ページレベルの印刷認識ではドメイン内再構築が優位に立ち、クロップレベルの認識ではドメイン外再構築が優位に立ちます。どちらの結果も、単一のソースドメインを使用するという普遍的な要件を確立するものではありません。
### 4. 手書き文字のためにリアルなグリフバンクをテストする
手書きフォントは、これらの実験で既に手書き認識を改善しています。実際のグリフインスタンスはさらなる向上をもたらします。したがって、検証されたグリフバンクは有望な補完手段ですが、評価ソースはそれを構築するために使用された材料とは別に保たれます。この研究は、最適なバンクサイズを確立したり、実際の手書き文字のスーパービジョンとのギャップを解消したりするものではありません。
### 5. 典型的なページを超えて評価する
低い中央値は結果の一部に過ぎません。より大きな文字加重エラーは、困難なページがフォローアップ評価の重要な部分であることを示しています。この論文は、本番環境の受容率、信頼度キャリブレーション、または検証されたルーティングシステムを報告していないため、そのベンチマークスコアはこれらのデプロイメント特性を確立することはできません。
日本語（漢字＋仮名）は縦書きで表記されることが多く、これは多くのOCR/VLMモデルにとって最も難しいケースの一つです。もしこの論文が英語のみを対象としていたり、縦書きテキストを無視していたりする場合、日本語の読者にとって漢字と縦書きレイアウトがカバーされていないことを意味します。
## 合成ドキュメント解析の展望
Wayu-Paxa-OCR-Zeroは、合成ドキュメントの再構成が、競争力のあるタイ語OCRの適応を支援できることを示しています。数十億パラメータ未満のモデルは、ベースチェックポイントを大幅に改善し、タイ語の実際のページを適応のためのソースドキュメントとして使用することなく、5つの評価セットでTyphoon OCR 7Bを上回りました。
その結果は、その境界が明確な場合に最も強力です。実際の手書きの素材が合成ページに寄与し、新しい比較システムはいくつかのセットで依然として大きな優位性を保ち、重大なエラーは依然として重要です。
未解決の疑問は、具体的な次の実験を指し示しています：
- **より広範な手書きのバリエーション**: 実際のグリフは役立ちますが、制御されたモデルはまだ、実際の手書きページを用いたトレーニングに遅れています。より大きなグリフバンクの影響は未検証です。
- **クロップとページの逆転の説明**: ソースドメインの逆転は顕著ですが、その原因は未解決です。これを理解することで、各トレーニング粒度でどの再構成プロパティが転移するかを説明するのに役立ちます。
- **集計エラーギャップの解消**: 合成再構成は、中央値CERでは実際の印刷された教師データに近づいていますが、文字加重平均CERではより明確に遅れています。より広範なレイアウト、タイポグラフィ、手書きの被覆は、汎化を改善するための方向性です。
ドキュメントAIにおいて、この論文は「データ品質」によりテスト可能な意味を与えます。フォントの多様性、2次元構造、グリフのバリエーション、トレーニング粒度は、個別に変化させ、評価することができます。これがレシピの最も有用な貢献です：どの合成成分がその価値を証明するかを調査する方法です。