Qwen3-VLの軽量版であるQwen3-VL-4BおよびQwen3-VL-8Bが公開されました。これらのモデルは、Qwen3-VLの全機能が保持されており、従来のモデルに比べて大幅にVRAM使用量を削減しつつ、Qwen2.5-VL-72Bに匹敵する性能を発揮するとのことで試しにローカルPCにインストールして使ってみました。 Qwen https://qwen.ai/home Introducing the compact, dense versions of Qwen3-VL — now available in 4B and 8B pairs, each with both Instruct and Thinking variants. ✅ Lower VRAM usage ✅ Full Qwen3-VL capabilities retained ✅ Strong performan

🎯 核心ポイント (TL;DR) 革命的技術：DeepSeek OCRは従来の光学文字認識ツールではなく、「視覚-テキスト圧縮」を探求する最先端のAIモデルです。長文をテキストから画像に変換して処理することで、計算リソースの消費を大幅に削減します。 驚異的な圧縮効率：このモデルは10〜20倍の比率でテキストトークンを圧縮できます。実験によると、10倍の圧縮率で情報デコード精度は97%に達し、20倍の圧縮率でも60%の精度を維持できます。 広範な将来の応用展望：この技術は、大規模言語モデル(LLM)が長いコンテキストを処理する方法を根本的に変革する可能性があります。人間の視覚記憶と忘却メカニズムをシミュレートすることで、より効率的で低コストな超長文処理を実現し、RAGやAgentシステムに深遠な影響を与えます。 目次 DeepSeek OCRとは?なぜ異なるのか? 核心技術の解明:視覚-テ

このコーナーでは、2014年から先端テクノロジーの研究を論文単位で記事にしているWebメディア「Seamless」（シームレス）を主宰する山下裕毅氏が執筆。新規性の高いAI分野の科学論文を山下氏がピックアップし、解説する。 X： ＠shiropen2 中国のDeepSeek-AIに所属する研究者らが発表した論文「DeepSeek-OCR: Contexts Optical Compression」は、本や画像などをスキャンして書いてある文字をデジタルテキストデータに変換するOCR（光学文字認識）を用い、長文を画像に圧縮する技術を発表した研究報告だ。

おとといくらいにDeepSeek-OCRというのが出てました。 https://github.com/deepseek-ai/DeepSeek-OCR ただのOCRじゃなくて、「テキストを画像にしたほうがトークンサイズを小さくできるのでは？」というのをやっていて、テキストを画像にしてトークン化したものをテキストトークンに戻すというのをやってたらOCRになったという感じですね。 LLMの開発効率化に革新？ 中国DeepSeekが「DeepSeek-OCR」発表 “テキストを画像化”でデータ圧縮：Innovative Tech（AI+） - ITmedia AI＋ 中身的には、3Bでアクティブパラメータが0.6BのMoEモデルに0.4Bの画像エンコーダーを載せた画像言語モデルです。 導入や使い方は、モデルのページに書いてあります。 何も考えずに最新のTransformers 4.57.1を入れ

はじめに 日本語OCR, 有料の業務用ソフトには色々と高性能なものがあるんですが、無料の場合の選択肢は意外に限られてます。最近ではGeminiなどにOCRさせることも試みてますが、縦書きに弱いのが欠点。加えて、私がやっているような著作権が切れた戦前の本のデジタル化の場合、認識率の低い旧字体が多いのが悩みの種。 そこで最近知ったのが、国立国会図書館が公開しているOCRライブラリ、NDLOCRです。国会図書館のデジタル資料（国立国会図書館デジタルコレクション)から全文テキストデータを作成するために開発されたとのこと。 NDLOCRは、現在ver2.1がGithubに公開されています。古い本が多い国会図書館の資料向けに作られているだけあって、旧字体でも高い精度で認識してくれます。今回は、このライブラリを試してみました。基本、Githubサイトに書いてある通りなんですが、いくつか注意すべき点をメモ

はじめに最近、LLMへのRAGを用いた文書データの連携等を目的に海外を中心にOCRや文書画像解析技術に関連する新しいサービスが活発にリリースされています。 しかし、その多くは日本語をメインターゲットに開発されているわけではありません。日本語文書は、英数字に加えて、ひらがな、漢字、記号など数千種類の文字を識別する必要があったり、縦書きなど日本語ドキュメント特有のレイアウトに対処する必要があったりと日本語特有の難しさがあります。 ですが、今後、海外の開発者がこれらの課題に対処するため、日本のドキュメント画像解析に特化したものをリリースする可能性は低く、やはり自国の言語向けのサービスは自国のエンジニアが開発すべきだと筆者は考えています。 もちろん、Azure Document Intelligenceをはじめとした、クラウドサービスのドキュメント解析サービスはありますが、クラウドを利用できないユ

もろへいや🌈 @moro_heiya_ これは本当にあった泣ける話なんですけど、Liella! 東京追加公演Day1の顔認証システム入場において、ちゃんと本人の正面顔写真を登録したにもかかわらず顔認証で弾かれました。 弾かれた原因、『俺と瓜二つのチー牛顔のおたくが別にいて、AIが判別できなかった』なの、流石に泣いていいですか。 2022-01-16 21:41:23 もろへいや🌈 @moro_heiya_ 勘違いされてたらアレなので補足ですが、別ブースに連行されて目視+名義の確認で無事イベには参加できてます。 あと見ず知らずの人を本人にも見えうるようなインターネット上でチー牛呼ばわりするの、普通に失礼だからやめようね！(１敗) 2022-01-17 12:45:27

K_akiya @K_akiya @boat_10ku @bookdraught 兵庫の誇るレジです、よろしくお願いします。店員さんで学習データを補正していくので、認識されなくなる日がくるかもしれません。bakeryscan.com 2021-08-08 11:22:46 リンク BakeryScan(ベーカリースキャン) BakeryScan(ベーカリースキャン) トレイ上のパンの種類･値段をカメラで一括識別するシステムです。 画像識別技術をレジ精算に応用する世界初の試みで､ ベーカリーショップのレジ業務に革新をもたらします。 15 users 1

見知らぬ人に道で写真を撮られ、その後すぐにアプリで自分の名前や住所などの個人情報が見つかっているとすればどうだろうか。Clearview AIという新興企業が、そのようなことを実現しており、同社の顔認識アプリは現在、米連邦捜査局（FBI）をはじめとする米国の多数の法執行機関で利用されているという。The New York Times（NYT）が米国時間1月18日に報じた。 NYTによると、Clearviewのアプリは、30億件以上の画像からなるデータベースと写真を照合するという。画像は、FacebookやVenmo、YouTubeなどのサイトから取得したとClearviewは述べている。一致した画像が、データベース写真の出典元のサイトへのリンクとともに提供される。名前はおそらく簡単に判明し、そこから他の情報をオンラインから掘り出すことができるとみられる。 Clearviewのデータベースの

はじめに この記事は、Life is Tech ! アドベントカレンダー2016 18日目の記事です。 はじめまして！iPhoneメンターのにっしーです。 「時間があるときに勉強しよう」と人工知能／機械学習／Deep Learning／認識技術といったトピックの記事の見つけてはストックしてきたものの、結局2016年は何一つやらずに終わろうとしているので、とにかく一歩でも足を踏み出すべく、 本質的な理解等はさておき、とにかく試してみる ということで画像認識技術に触れてみることにしました。 画像認識とは? 画像認識とは、画像データの画像内容を分析して、その形状を認識する技術のことである。 -- Weblio辞書 画像認識では、画像データから対象物となる輪郭を抽出して、背景から分離し、その対象物が何であるかを分析するのが基本になります。 しかし、人間なら無意識化に行われていることですが、コンピュ