モデル・開発
Nemotron 3.5 Parse
原題: Nemotron 3.5 Parse
文書画像を構造化テキストへ変換
NVIDIAは公式モデルカード上の公開日を2026年10月17日として、Nemotron 3.5 ParseをHugging Faceで公開しました。
文書画像から、意味上のレイアウト分類、境界ボックス、読み順を含む機械可読テキストを生成するモデルです。
C-RADIOv4-SO400Mの画像エンコーダーと10層のmBARTデコーダーを組み合わせ、約6億3,100万パラメーターを備えます。
7万2,505語彙の多言語トークナイザーを使い、表、グラフ、本文などを識別して出力します。
PDF、プレゼンテーション、フォーム、レポート、表を含む文書の検索、抽出、RAG、学習データ作成を用途として挙げています。
モデルウェイト、Transformers向けコード、後処理ツール、vLLM用プラグインが同じリポジトリで配布されています。
後処理では、表やグラフに関連する内容をMarkdown、HTML、JSON、CSVなどへ変換できます。
OpenMDW 1.1ライセンスが適用され、NVIDIAは世界で商用・非商用利用が可能と説明しています。
NVIDIAが掲載するParseBench、IndicVisionBench、MOSCARの値は提供元評価であり、独立評価ではありません。
APIの一般提供ではなく、ローカルまたは自前環境へ導入できるオープンウェイトと実行コードの公開です。