dots.ocrとは？
dots.ocrは、XiaohongshuのAIグループであるrednote hi labによるオープンな文書解析モデルで、2025年7月30日にMITライセンスで公開されました。1つの視覚言語モデルがレイアウトの検出と読み取りの両方を担い、各ブロックのバウンディングボックス、カテゴリ、テキストを読み順に返します。表はHTML、数式はLaTeX、それ以外はMarkdownです。Hugging FaceのAPIでは30億4,000万（3.04 billion）パラメータで、17億（1.7 billion）パラメータの言語モデルと42層の視覚エンコーダーから成ります。
重みは現在Hugging Faceのdots-studioという組織に、コードはGitHubのstudio-dots-aiにあり、最後のコミットは2026年3月24日です。2025年10月31日にはベースのチェックポイントが続き、2026年3月にはチームが後継のdots.mocrを公開しました。同じ大きさで、グラフや図をSVGに変換する機能も備えています。
dots.ocrは使う価値があるか？
dots.ocrは公開当時は強力な解析モデルでしたが、いまは中程度です。モデルカードでは、olmOCR-benchで79.1、元のOmniDocBenchで英語の表のTEDSが88.6と報告しており、当時のMinerU、Marker、Gemini 2.5 Proを上回っていました。これらは開発元の数字で、一部はMonkeyOCRとolmOCRのプロジェクトから借りたもの、一部は社内での実行によるもので、採点の前にページのヘッダーとフッターが取り除かれています。
その後、新しい競合が再計測し、より低い位置に置いています。FireRedTeamの比較では、OmniDocBench v1.5で88.41で、91.09のDeepSeek-OCR 2と92.86のPaddleOCR-VLに次ぎ、PubTabNetの表では71.0です。FireRedBenchの扱いにくい実世界のページでは72.93です。これらは結果に利害のある競合によるものですが、方向性は一致しています。
際立った強みは言語の幅広さです。社内のdots.ocr-benchは100言語の1,493ページのPDFを対象としており、そこでチームは全体の編集距離を0.177と報告しています。Gemini 2.5 Proは0.251です。同じ報告では、レイアウトの検出でもF1が0.831で、DocLayout-YOLOの0.733を上回っています。独立した多言語のテストは存在しないので、この主張は開発元が作ったベンチマークに依拠しています。
運用面はうまく年を重ねていません。vLLMで動かすには、モデルを登録するためにvllmの起動スクリプトをsedで書き換え、重みをピリオドを含まないディレクトリに保存し、trust_remote_codeを有効にする必要があります。モデルカード自身の評価にはvLLM 0.9.1が使われました。制限事項の節では、三点リーダーやアンダースコアが続くと出力が際限なく繰り返されることがある、画像は解析されない、大量のPDFの処理には最適化されていない、と警告しています。同じチームが2026年3月に同じ大きさで公開したdots.mocrは、画像の欠落に対応しており、TIIのFalcon OCRの比較ではolmOCR-benchで84.0を記録しています。
真価を発揮する場面
数十の言語のスキャンしたマニュアルを処理するローカライズ会社
資源の少ない文字体系の文書から、レイアウトの位置付きでテキストを抽出する
レイアウト用のプロンプトを使えば、1回の呼び出しでボックス、カテゴリ、テキストが読み順で返ります。多言語での優位はチーム自身の1,493ページのベンチマークで測られたものなので、まず自分の言語のサンプルで検証してください。
すでにdots.ocrのパイプラインを本番で運用しているMLエンジニア
そのまま使い続けるか移行するかを決める
プロンプトと出力のスキーマは安定していますが、同じチームのdots.mocrは同じ大きさで、グラフと図の解析も加わっています。評判で乗り換えるより、自分のページで並べて動かしてみるほうが安上がりです。
レイアウト検出のベースラインを作る文書AIの研究者
VLMによるレイアウト検出器とYOLO系の検出器を比べる
検出専用のプロンプトは、チームのベンチマークでF1が0.845と報告されており、DocLayout-YOLOは0.733です。MITライセンスの重みなので、ライセンスの心配なくファインチューニングできます。
導入前に確認すること
- 導入
- Python 3.12、CUDA 12.8上のtorch 2.7.0を用意し、GitHubのリポジトリでpip install -e .を実行してから、ダウンロード用のスクリプトを実行します。または、公式のvLLMイメージをもとにしたrednotehilab/dots.ocrのDockerイメージを使います。
- 連携
- 起動スクリプトを書き換えたうえでのOpenAI形式のAPIを持つvLLMサーバー、flash-attention 2を使うTransformers。レイアウトの完全な解析、検出のみ、通常のOCR、ボックスを指定したグラウンディングOCRのプロンプトモード。
- データとプライバシー
- セルフホストなので、文書は自分のハードウェアにとどまります。MITはあらゆる利用を認めています。読み込みの際にはモデルのリポジトリにあるPythonのコードが実行されます。
- 大規模利用時のコスト
- 重みは無料で、3.04 billion（30億4,000万）パラメータはBF16で約6 GBです。チームはスループットの数字を公開しておらず、モデルは大量のPDFにはまだ最適化されていないとしています。
- 制限
- 1枚あ たり11,289,600ピクセル未満が最適で、200 DPIでのレンダリングが推奨されています。特殊文字の繰り返しで出力が終わらなくなることがあります。画像は読み飛ばされます。2025年10月31日以降、重みは更新されていません。
良い点
- レイアウトのボックス、カテゴリ、テキストを1つのモデルで得られる
- 100言語の社内ベンチマークで多言語の首位と報告されている
- MITライセンス
- 直近30日間のHugging Faceでのダウンロード数は422,506
気になる点
- ベンチマークは自己申告で、外部の再計測では新しいモデルより下
- 同じチームのdots.mocrに置き換えられている
- vLLMの設定にsedでの書き換えとtrust_remote_codeが必要
- 三点リーダーやアンダースコアでループすることがあり、画像は解析されない
おすすめの 人
既存のdots.ocrのパイプラインを持つチーム、またはMITライセンスの単一モデルで、資源の少ない言語のバウンディングボックスと読み順を必要とするチーム。
dots.ocrの代替
dots.ocr：よくある質問
- dots.ocrは使う価値があるか？
- 2025年には単一モデルによるレイアウト解析を信頼に足るものにしました。しかし2026年後半のいま、開発元自身が置き換えた版になっています。 評価は5点満点中3.6点です。
- dots.ocrの料金は？
- MITライセンスで無料。開発元によるホスト版のAPIはありません。
- dots.ocrの欠点は？
- ベンチマークは自己申告で、外部の再計測では新しいモデルより下; 同じチームのdots.mocrに置き換えられている; vLLMの設定にsedでの書き換えとtrust_remote_codeが必要; 三点リーダーやアンダースコアでループすることがあり、画像は解析されない.
- dots.ocrは誰に向いているか？
- 既存のdots.ocrのパイプラインを持つチーム、またはMITライセンスの単一モデルで、資源の少ない言語のバウンディングボックスと読み順を必要とするチーム。
- チームや本番環境でdots.ocrを使うと費用はいくらか？
- 重みは無料で、3.04 billion（30億4,000万）パラメータはBF16で約6 GBです。チームはスループットの数字を公開しておらず、モデルは大量のPDFにはまだ最適化されていないとしています。
- dots.ocrは企業データを扱っても安全か？
- セルフホストなので、文書は自分のハードウェアにとどまります。MITはあらゆる利用を認めています。読み込みの際 にはモデルのリポジトリにあるPythonのコードが実行されます。
- dots.ocrの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はPaddleOCR-VL-1.6, DeepSeek-OCR 2, FireRed-OCR 、 Falcon OCRです。
回答確認日：2026年11月2日