Alibaba、文書解析ツールViDoRAGをオープンソース化

Alibabaがオープンソース公開したViDoRAG文書解析システムは、GPT-4oテスト環境で79.4%の精度を達成し、従来手法より10%以上性能が向上しました。製品仕様書や技術マニュアルなど、テキスト・画像・表が混在する複雑な文書を効率的に処理できます。

3大コア機能

1. インテリジェント検索: 100ページ文書の重要情報を3分以内に特定
2. 文書-画像相互検証: テキスト説明とチャートデータの整合性自動確認
3. 精密回答生成: 「最大作動温度は？」などの具体的質問にページ番号付きで回答

技術革新点

• 3段階連携プロセス:
  • 探索モジュール（Seeker）: 関連ページ迅速特定
  • 分析モジュール（Inspector）: 内容信頼性深層評価
  • 回答生成モジュール（Answer Agent）: 総合情報統合
• ハイブリッド検索技術: テキスト意味と画像内容同時解析
• モジュール式設計: 検索/分析/生成モジュール独立アップグレード可能

専門テストデータセット

同時公開のViDoSeekテストセット包含:

• 2,500+実践文書（製品マニュアル/学術論文/財務報告書）
• 4種類質問タイプ:
  • テキスト情報検索
  • チャートデータ分析
  • ページ間関連性把握
  • 総合結論導出

実用ケース

• 製造業: 設備仕様書から技術パラメータ抽出
• 教育分野: 論文実験データチャート解析
• 金融サービス: 年次報告書主要指標自動抽出

主要情報

• リポジトリ: GitHubプロジェクトページ
• テストデータ: HuggingFaceダウンロード
• 技術論文: 詳細研究内容

Alibaba技術責任者は「ViDoRAGは専門アシスタント付き顕微鏡のように、大量文書から有用情報を迅速に抽出します。モジュール式設計で企業ニーズに応じた機能組み合わせが可能」と説明しました。