ガリレージレポート

LLMはドキュメントをどこまで読めるか ― Document VQAの性能検証

はじめにDocument VQA (Visual Question Answering)とは、PDF/Word/PowerPoint/Excelなど文書の画像ファイルに対して自然言語の質問を投げると、文書内容に基づいて自動で答えを返す技術です。表や図、レイアウト（段組み・見出し・欄外）など「ドキュメントならでは」の情報を踏まえて推論できるのが特徴です。自然言語理解（NLP）、視覚情報処理（CV）、

図表理解における視覚言語モデル（VLM）の課題と解決策

概要Galirageでは、ビジネス文書に不可欠なシステム図・フロー図の関係構造を高精度に解析するため、Vision Language Model（VLM）が抱える限界に挑戦しています。2025年に発表した論文「Overcoming Vision Language Model Challenges in Diagram Understanding」では、従来の「画像として読む」アプローチを転換し、E