Qianfan-OCRとは？
Qianfan-OCRは、BaiduのQianfanチームによる文書のモデルで、2026年3月にApache 2.0で公開され、3月11日に技術レポートが出ました。BaiduのQianfan-ViTの視覚エンコーダーとQwen3-4Bの言語モデルを組み合わせた合計47億4,000万（4.74 billion）パラメータのモデルで、別のレイアウトモデルなしにページの画像を直接Markdownに変換します。同じ重みで、表と数式の認識、重要情報の抽出、グラフと文書への質問応答、192言語のOCRを扱います。
特徴的なのはLayout-as-Thoughtです。thinkingを有効にすると、モデルはまずバウンディングボックス、25のカテゴリから選んだ要素の種類、読み順を書き出してから、最終的なテキストを書きます。そのため1つのモデルで、パイプライン型のシステムが検出器から得ているレイアウトのデータを返します。
ほかのBaiduのチームによるPaddleOCR-VLやUnlimited-OCRとは別の系列です。Hugging Faceでは過去1か月に34,433回ダウンロードされ、1,217のいいねを集めました。
Qianfan-OCRは使う価値があるか？
Qianfan-OCRはページの解析の精度と引き換えに幅広さを得ており、その取引は独立した数字にはっきり表れています。OpenDataLabのOmniDocBench v1.6のリーダーボードでは93.90で、95.22のGLM-OCR、96.47のOvisOCR2に次いでいます。どちらもこのモデルの3分の1に満たない大きさです。Baiduが掲げる93.12でエンドツーエンドのモデルの首位という数字は古いv1.5でのもので、そこでも自社の表ではパイプライン型のPaddleOCR-VL 1.5が94.50で上回っています。
優位に立つのは、解析の後に続く仕事です。Baiduは重要情報の抽出の5つのベンチマークの平均で87.9と報告しており、Qwen3-VL-235B-A22Bは84.2、Gemini-3.1-Proは79.2です。CharXivの推論の質問では85.2で、Qwen3-VL-4Bは48.5です。OCRBenchでは880で、対応言語は192で、PaddleOCR-VL-1.6は109、GLM-OCRは8です。いずれも自己申告ですが、比較対象のモデルは汎用で、文書向けに調整されたものではありません。
Layout-as-Thoughtは役に立つものの、ただで得られる向上ではありません。Baidu自身の数字では、thinkingのモードでOmniDocBench v1.5の全体のスコアは93.12から92.64に下がり、ガイドは試験の問題用紙や新聞のような混在したページでだけ有効にするよう勧めています。その価値は、検出器を動かさずにボックスと読み順を得られることで、テキストが良くなることではありません。
主な代償は大きさです。4.74 billion（47億4,000万）パラメータなので、A100 1基で毎秒1.024ページに達するのはW8A8の量子化を使った場合だけで、完全な精度では0.503です。同じ表でMinerU 2.5は1.057です。Baiduの制限事項の節は、この大きさのためエッジのデバイスやCPUだけのサーバーでは使えないとし、動画、曲がった文字、装飾的な手書きを弱点に挙げています。
結論：Qianfan-OCRが本領を発揮するのは、出力をアーカイブではなく、請求書の合計やグラフの傾向を読 むといった判断に使う場合です。きれいなMarkdownだけが必要なチームは、GLM-OCRかPaddleOCR-VL-1.6のほうがGPUあたりの精度が高くなります。
真価を発揮する場面
10か国語以上の請求書を受け取る多国籍企業の買掛金チーム
別のOCRの手順なしに、請求書から取引先、合計、税の項目を抽出する
vLLMのサーバーで、ページの画像から直接項目を答えるようモデルにプロンプトを出します。BaiduはNanonets KIEでF1が86.5と報告しています。ここではMarkdownのスコアより192言語への対応のほうが重要です。
証券会社のレポートを処理する株式アナリストのデータチーム
テキストだけのOCRでは捨てられてしまうグラフの値と傾向を読む
ページの画像に対してグラフについて質問します。Baiduは、OCRのあとにLLMを使うシステムはグラフの構造が失われるためCharXivで0.0になると指摘しており、Qianfan-OCRは記述的な質問で94.0と報告しています。
レイアウトの検出器と認識器の構成を置き換える文書AIのエンジニア
1つのモデルでバウンディングボックス、要素の種類、読み順を得る
試験の問題用紙のような混在したページではthinkingを有効にして先にレイアウトを出力させ、1段組みの文書では無効にしておきます。Baiduによると、後者ではないほうが結果が良く、速いからです。
導入前に確認すること
- 導入
- TransformersのAutoModelForImageTextToTextでbaidu/Qianfan-OCRをBF16で読み込むか、--trust-remote-codeと、InternVLChatModelのアーキテクチャに対応づけるhf-overridesのフラグを付けてvllm serveを実行します。
- 連携
- TransformersとvLLM。コミュニティによるllama.cpp向けのGGUFとAppleシリコン向けのMLXのビルド。Baidu AI CloudのQianfanのプラットフォーム。Baiduのスキルのリポジトリにあるエージェント用のスキル。
- データとプライバシー
- Apache 2.0で、同梱のソースファイルの一部はMITです。セルフホストなら文書は自分のハードウェアにとどまります。Qianfanのプラットフォームの保持の条件はモデルカードに書かれていません。
- 大規模利用時のコスト
- BF16のチェックポイントは約9.5 GBです。BaiduはA100 1基で、W8A8で毎秒1.024ページ、W16A16で0.503ページ と報告しており、カード1枚あたり1時間に約3,700ページと1,800ページです。
- 制限
- 視覚の入力は448ピクセルのタイルで1枚あたり最大4,096トークン、コンテキストは標準で32Kです。Layout-as-Thoughtが検証されているのはOmniDocBench v1.5の解析だけで、抽出や質問応答ではありません。エッジのデバイスやCPUだけのサーバーには大きすぎます。
良い点
- 重要情報の抽出の5つのベンチマークで平均87.9（自己申告）
- グラフと文書への質問応答を同じモデルで
- 25種類の要素を含む任意のレイアウトの出力で、別の検出器が不要
- 192言語のOCR、Apache 2.0
気になる点
- OmniDocBench v1.6で93.90、はるかに小さな解析モデルに及ばない
- 4.74Bパラメータで、A100で毎秒約1ページになるのは量子化した場合だけ
- thinkingのモードで解析の全体のスコアが下がる
- vLLMにはアーキテクチャの上書きが必要で、ホスト版の価格は公開されていない
おすすめの人
項目の抽出、グラフの読み取り、多言語のOCRを1つのセルフホストのモデルでまかなう必要があり、データセンター向けのGPUを割り当てられるチーム。
Qianfan-OCRの代替
Qianfan-OCR：よくある質問
- Qianfan-OCRは使う価値があるか？
- 1回の呼び出しでページを読み、理解する必要があるなら、選ぶべきはQianfan-OCRです。単純なMarkdownへの変換なら、より小さな解析モデルのほうが正確です。 評価は5点満点中4.0点です。
- Qianfan-OCRの料金は？
- Apache 2.0で無料。Baidu AI CloudのQianfanのプラットフォームでも提供されていますが、ホスト版の価格はモデルカードに書かれていません。
- Qianfan-OCRの欠点は？
- OmniDocBench v1.6で93.90、はるかに小さな解析モデルに及ばない; 4.74Bパラメータで、A100で毎秒約1ページになるのは量子化した場合だけ; thinkingのモードで解析の全体のスコアが下がる; vLLMにはアーキテクチャの上書きが必要で、ホスト版の価格は公開されていない.
- Qianfan-OCRは誰に向いているか？
- 項目の抽出、グラフの読み取り、多言語のOCRを1つのセルフホストのモデルでまかなう必要があり、データセンター向けのGPUを割り当てられるチーム。
- チームや本番環境でQianfan-OCRを使うと費用はいくらか？
- BF16のチェックポイントは約9.5 GBです。BaiduはA100 1基で、W8A8で毎秒1.024ページ、W16A16で0.503ページと報告しており、カード1枚あたり1時間に 約3,700ページと1,800ページです。
- Qianfan-OCRは企業データを扱っても安全か？
- Apache 2.0で、同梱のソースファイルの一部はMITです。セルフホストなら文書は自分のハードウェアにとどまります。Qianfanのプラットフォームの保持の条件はモデルカードに書かれていません。
- Qianfan-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GLM-OCR, PaddleOCR-VL-1.6, Unlimited-OCR 2 、 Infinity-Parser2-Flashです。
回答確認日：2026年11月2日
Qianfan-OCRの開発元の方へ：この評価をサイトに掲載できます
