Nemotron OCR v2とは？
Nemotron OCR v2は、NVIDIAのNeMo Retrieverの系列の文字認識モデルで、2026年4月にHugging Faceで公開されました。PaddleOCRの従来のパイプラインと同じく、視覚言語モデルではありません。RegNetX-8GFの畳み込みの検出器が文字の領域を見つけ、小さなTransformerの認識器がそれを読み、関係モジュールが読み順に行と段落にまとめます。ボックス、テキスト、信頼度のスコアを返します。
2つの版があります。英語のモデルは5,380万（53.8 million）パラメータで単語単位で動きます。多言語のモデルは8,390万（83.9 million）パラメータで、14,244文字の1つの文字セットから、英語、簡体字と繁体字の中国語、日本語、韓国語、ロシア語の行全体を読みます。学習には約680,000枚の実画像と、1,100万（11 million）を超える合成のページが使われ、合成のページはCC BY 4.0のデータセットとして公開されています。
重みはNVIDIA Open Model Licenseで、商用利用が認められています。LinuxとNVIDIAのGPUが必要で、パッケージはインストール時にCUDAの拡張をコンパイルします。
Nemotron OCR v2は使う価値があるか ？
Nemotron OCR v2は精度と引き換えにスループットを得ており、NVIDIA自身の数字がその両面を示しています。A100 1基で多言語のモデルは毎秒34.7ページで動き、PaddleOCR v5のserverは1.2、OpenOCRは1.5です。NVIDIAはこれを28倍以上速いと表現しています。同じOmniDocBenchの切り抜きのテストでは、正規化した編集距離が英語で0.048、中国語で0.072、混在したテキストで0.142で、PaddleOCR v5は0.027、0.037、0.041です。値は低いほど良いので、実際の文書ではPaddleのほうが明らかに正確です。
多言語での向上は本物ですが、NVIDIAの土俵で測られたものです。合成のSynthDoGのページではすべての言語でPaddleOCRを上回り、韓国語ではv1と比べて誤りが0.923から0.047に下がりました。これらのテストのページは、NVIDIA自身の合成の学習用パイプラインに近い生成器で作られており、その修正版のコードはまだ公開されていないので、この差は上限と考えてください。
また、並んで使われるVLMの解析モデルと比べて、1ページでこなすことは少なめです。表の構造も、LaTeXも、Markdownもなく、あるのはボックス、テキスト、読み順だけです。回転したページにも弱く、270度回転したテキストでの多言語のモデルの誤りは0.332です。英語版は中国語ではまったく役に立たず、0.830です。
導入の面はNVIDIAの強みです。NIMのコンテナ、ホスト版の試用のエンドポイント、Docker Composeの例として提供されており、ライセンスは売上の上限なしに商用利用を認めています。主に英語の数百万ページをインデックスする検索のチームなら、数日ではなく数時間でGPU 1基に通せます。表や最高の文字精度が必要なチームは、PP-OCRv6かVLMの解析モデルと組み合わせるか、それらに置き換えるべきです。
真価を発揮する場面
社内の500万件のPDFを対象にRAGのインデックスを作るプラットフォームエンジニア
毎週インデックスを作り直せる速さで、テキストと読み順を抽出する
A100の上で、多言語のモデルをNIMのコンテナかPythonのパイプラインで動かします。NVIDIAの毎秒34.7ページなら、GPU 1基で1時間に約125,000ページを処理できるので、500万ページは約40 GPU時間です。
東アジアのECマーケットプレイスの開発者
中国語、日本語、韓国語の商品写真やラベルを読む
1つのモデルで言語の判定の手順なしに5つの言語すべてを読める多言語版を使い、信頼度のスコアを残して品質の低い画像に印を付けます。NVIDIAの表で最も成績が悪い、回転した画像は確認してください。
導入前に確認すること
- 導入
- git-lfsでHugging Faceのリポジトリをクローンし、CUDAのツールキットに合ったPyTorchをインストールしてから、Python 3.12でpip install --no-build-isolationを実 行します。またはNVIDIA Container ToolkitでDocker Composeの例を動かします。
- 連携
- 検出のみのモードと関係モジュールを飛ばすモードを持つnemotron_ocrのPythonのAPI。build.nvidia.comのホスト版のエンドポイント。NeMo Retrieverの一部としてのNGC上のNIMのコンテナ。
- データとプライバシー
- NVIDIA Open Model Licenseで、商用利用が認められています。セルフホストで動かせば画像は手元にとどまります。ホスト版の試用にはNVIDIA API Trial Terms of Serviceが適用されます。
- 大規模利用時のコスト
- NVIDIAのバッチ処理のパイプラインで、A100 1基あたり毎秒34.7ページ（多言語）または40.7ページ（英語）です。検出のみのモードではGPUのメモリが約37%少なくなります。NIMの本番の価格はモデルのページに公開されていません。
- 制限
- Linux amd64と、Ampere以降のNVIDIAのGPUのみです。Pythonは3.12でなければなりません。ホスト版でインラインで送る画像はbase64で180,000文字未満にする必要があります。認識器のシーケンスは128文字が上限です。
良い点
- 多言語のモデルでA100 1基あたり毎秒34.7ページ
- 84Mパラメータで、読み順のグループ化と信頼度のスコアを備える
- NVIDIA Open Model Licenseで商用利用が認められている
- 1,100万を超えるページの合成の学習用データセットをCC BY 4.0で公開
気になる点
- NVIDIA自身の表で、OmniDocBenchではPaddleOCR v5より誤りが多い
- 表、数式、Markdownの出力がない
- LinuxとNVIDIAのGPUのみで、インストール時にCUDAの拡張をコンパイルする
- 多言語での向上は主に合成のSynthDoGのページで測られている
おすすめの人
NVIDIAのハードウェアを使い、商用に適したライセンスで、非常に大量のページからプレーンテキストを素早く抽出する必要がある検索やRAGのチーム。
Nemotron OCR v2の代替
Nemotron OCR v2：よくある質問
- Nemotron OCR v2は使う価値があるか？
- Nemotron OCR v2は、ここで取り上げるオープンなOCRの中で桁違いに速いモデルです。しかしNVIDIA自身の文書のベンチマークでは、速さで上回るPaddleOCR v5より読み取りの精度が劣ります。 評価は5点満点中3.8点です。
- Nemotron OCR v2の料金は？
- NVIDIA Open Model Licenseで無料、商用利用可。build.nvidia.comに試用のAPIがあります。NIMのコンテナの価格はモデル のページに公開されていません。
- Nemotron OCR v2の欠点は？
- NVIDIA自身の表で、OmniDocBenchではPaddleOCR v5より誤りが多い; 表、数式、Markdownの出力がない; LinuxとNVIDIAのGPUのみで、インストール時にCUDAの拡張をコンパイルする; 多言語での向上は主に合成のSynthDoGのページで測られている.
- Nemotron OCR v2は誰に向いているか？
- NVIDIAのハードウェアを使い、商用に適したライセンスで、非常に大量のページからプレーンテキストを素早く抽出する必要がある検索やRAGのチーム。
- チームや本番環境でNemotron OCR v2を使うと費用はいくらか？
- NVIDIAのバッチ処理のパイプラインで、A100 1基あたり毎秒34.7ページ（多言語）または40.7ページ（英語）です。検出のみのモードではGPUのメモリが約37%少なくなります。NIMの本番の価格はモデルのページに公開されていません。
- Nemotron OCR v2は企業データを扱っても安全か？
- NVIDIA Open Model Licenseで、商用利用が認められています。セルフホストで動かせば画像は手元にとどまります。ホスト版の試用にはNVIDIA API Trial Terms of Serviceが適用されます。
- Nemotron OCR v2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PP-OCRv6, PaddleOCR-VL-1.6, Surya OCR 2.5 、 DeepSeek-OCR 2です。
回答確認日：2026年11月2日