FireRed-OCRとは？
FireRed-OCRは、XiaohongshuのFireRedTeamによるオープンな文書解析モデルで、2026年2月28日にコードと重みの両方をApache 2.0で公開し、2026年3月2日に技術レポートを出しました。ページ画像全体を読み、表とLaTeXの数式を含むMarkdownを、別のレイアウトモデルなしに1回で書き出します。Hugging FaceのAPIでは21億3,000万（2.13 billion）パラメータで、モデルはアーキテクチャを変えていないQwen3-VL-2B-Instructです。
工夫は学習にあります。3段階のカリキュラムで、検出と領域の読み取りのタスクから、標準化したMarkdownでのファインチューニングへ、そしてチームがFormat-Constrained GRPOと呼ぶ強化学習の段階へと進みます。この段階では、正しい数式の構文、閉じた表、適切に入れ子になった構造に報酬を与えます。レポートによると、難しい学習用のページはGemini 3 Proの助けを借りてラベルを付け直しました。
FireRed-OCRは使う価値があるか？
FireRed-OCRは開発元自身の比較で最も強い1回読みの解析モデルで、その比較が限界も示しています。チームはOmniDocBench v1.5で92.94と報告しており、91.09のDeepSeek-OCR 2と88.41のdots.ocrを上回り、出発点である手を加えていないQwen3-VL-2Bより11.07ポイント高くなっています。同じ表で、PaddleOCR-VL-1.5は94.50、GLM-OCRは94.60で、どちらも読み取りの前にレイアウトの検出器を動かします。数字はすべて自己申告で、外部による再計測は見つかりませんでした。
チーム自身の頑健性のテストは、それほど好意的ではありません。扱いにくい実世界のレイアウトを集めたFireRedBenchでは、FireRed-OCRは74.62で、PaddleOCR-VL-1.5は76.47、Gemini 3.0 Proは79.68です。PubTabNetでの表の構造は77.0で、MinerU2.5の88.4を下回ります。数式とテキストの編集距離では、CDMが91.71、0.032と改善は本物ですが、表は依然として専用のパイプラインのほうがうまく扱います。
実用面の魅力は、どこにも特殊なところがないことです。アーキテクチャがQwen3-VLなので、trust_remote_codeなしに標準のTransformersのクラスで読み込め、BF16の重みは約4.3 GBで、一般向けのGPU 1枚に収まります。モデルカードに書かれているのは、出力上限8,192トークンのTransformersの例と、GitHubからクローンするプロンプトの補助ツールだけです。vLLMの手順、VRAMの数字、毎秒のページ数は示されていません。
もう1つの心配は開発の動きです。スター数295のGitHubのリポジトリには2026年3月4日以降コミットがなく、チェックポイントも1つだけです。PaddleOCR-VL-1.6は半分の大きさでより高いスコアを報告しており、FireRed-OCRが上回っているDeepSeek-OCR 2にも、少なくとも比べられる独立した再計測があります。
真価を発揮する場面
すでにQwen3-VLのモデルを運用する基盤を持つMLエンジニア
2つ目の推論フレームワークなしに、ページからMarkdownへの解析を加える
チェックポイントは標準のQwen3VLForConditionalGenerationクラスを使うので、既存のTransformersのコードにそのまま組み込めます。モデルカードにスループットの数字がないので、バッチ処理とサービングは自分で書くことになると考えてください。
数式の多い講義ノートや論文をデジタル化する研究者
スキャンしたページから、数式が壊れていない正しいLaTeXを得る
強化学習の段階は特に数式の構文に報酬を与え、チームはOmniDocBench v1.5でCDM 91.71と報告しています。パイプライン型の解析モデルのほうがスコアの高い表は、手で確認してください。
OCRの学習手法を研究する応用科学者
形式に制約を課した強化学習を、別のベースモデルで再現する
技術レポートには3段階のカリキュラムと、数式、表、階層、テキストに対する報酬の項が示されており、Apache 2.0の重みはファインチューニングの出発点となる2Bのベースラインになります。
導入前に確認す ること
- 導入
- transformersとqwen-vl-utilsをpip installし、プロンプトの補助ツールのためにFireRed-OCRのGitHubリポジトリをクローンしてから、FireRedTeam/FireRed-OCRをBF16で読み込みます。flash-attention 2が推奨されています。
- 連携
- モデルカードにあるのはTransformersだけです。表とLaTeXの数式を含むMarkdownを出力します。Hugging Face Spaceでデモが公開されています。
- 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。Apache 2.0は商用利用とファインチューニングを認めています。レポートによると、難しい学習用のサンプルはGemini 3 Proでラベルを付け直しました。
- 大規模利用時のコスト
- 重みは無料で、BF16で約4.3 GBです。ホスト版の価格、VRAMの数字、毎秒のページ数は公開されていないので、台数の見積もりには自分でのベンチマークが必要です。
- 制限
- スコアはすべて自己申告です。表と、チーム自身のFireRedBenchではパイプライン型の解析モデルに及びません。例では出力が新規8,192トークンまでに制限されています。 チェックポイントは1つで、2026年3月4日以降コミットがありません。
良い点
- OmniDocBench v1.5で92.94、開発元の表ではエンドツーエンドのモデルで首位
- 標準のQwen3-VLのアーキテクチャで、信頼すべきリモートのコードがない
- BF16の重みは約4.3 GB
- コードと重みともにApache 2.0
気になる点
- ベンチマークの数字はすべて自己申告
- 自社の2つのベンチマークのどちらでもPaddleOCR-VL-1.5とGLM-OCRに及ばない
- サービングのガイド、VRAM、スループットの数字がない
- 2026年3月以降リポジトリへのコミットがない
おすすめの人
すでにQwen3-VLを運用していて、レイアウトのパイプラインを足さずに差し替えられる文書からMarkdownへのチェックポイントがほしいチーム。
FireRed-OCRの代替
FireRed-OCR：よくある質問
- FireRed-OCRは使う価値があるか？
- 形式に対する強化学習で2Bの汎用モデルを11ポイント引き上げられることをはっきり示しています。ただし、いまもこれを上回るパイプライン型の解析モデルから乗り換える理由にはまだなりません。 評価は5点満点中3.9点です。
- FireRed-OCRの料金は？
- Apache 2.0で無料。ホスト版のAPIはなく、Hugging Face Spaceの無料のデモがあるだけです。
- FireRed-OCRの欠点は？
- ベンチマークの数字はすべて自己申告; 自社の2つのベンチマークのどちらでもPaddleOCR-VL-1.5とGLM-OCRに及ばない; サービングのガイド、VRAM、スループットの数字がない; 2026年3月以降リポジトリへのコミットがない.
- FireRed-OCRは誰に向いているか？
- すでにQwen3-VLを運用していて、レイアウトのパイプラインを足さずに差し替えられる文書からMarkdownへのチェックポイントがほしいチーム。
- チームや本番環境でFireRed-OCRを使うと費用はいくらか？
- 重みは無料で、BF16で約4.3 GBです。ホスト版の価格、VRAMの数字、毎秒のページ数は公開されていないので、台数の見積もりには自分でのベンチマークが必要です。
- FireRed-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。Apache 2.0は商用利用とファインチューニングを認めています。レポートによると、難しい学習用のサンプルはGemini 3 Proでラベルを付け直しました。
- FireRed-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, dots.ocr 、 Falcon OCRです。
回答確認日：2026年11月2日