2026 年版オープンソース PDF から JSON への変換モデルガイド

エンタープライズデータの多くはまだ PDF、スキャン画像、スライド資料の中に眠っています。大規模言語モデルやエージェントは、データが構造化された JSON 形式に変換されるまでそれらを利用できません。オープンソースの文書抽出技術は、自社のハードウェア上でこの変換を行うための標準的な方法となっています。 「PDF から JSON へ」という言葉の下には、2 つの異なる問題が隠されています。1 つ目はスキーマ駆動型抽出です。これは特定のフィールドを定義し、モデルにその値を入力させるアプローチです。2 つ目は文書パース（解析）です。これはページを構造化された JSON や Markdown として再構築するものです。多くのチームはどちらか一方、あるいは両方が必要となります。間違ったカテゴリを選択すると、実質的な時間の損失につながります。 ここでオープンウェイトモデルが重要になります。コストとプライバシーの観点からです。プロプライエタリな API は、100 万ページあたり数千ドルのコストがかかることがあり、かつ文書をオンプレミス環境外へ送信する必要があります。ローカルモデルはこれらの制約をすべて解消します。以下に、実際の機能別にグループ化された、評価する価値のあるモデルとツールキットを紹介します。 2 つのカテゴリ、1 つの言葉 スキーマ駆動型抽出は、文書と JSON スキーマを受け取り、指定したフィールドに対する値を返します。事前にフィールドが明確な請求書、フォーム、契約書、領収書などに使用してください。 文書パース（解析）は、文書そのものを再構築します。レイアウト、読み順、テーブル、数式、コードを検出し、JSON または Markdown としてエクスポートします。検索拡張生成 (RAG) やエージェント用にクリーンなコーパスを準備する際に使用してください。 カテゴリ 1: スキーマ駆動型構造化抽出 Datalab lift lift は、Marker や Surya の開発チームである Datalab が提供する 9B ビジョンモデルです。JSON スキーマを指定すると、そのスキーマに一致する JSON を返します。スキーマ制約付きデコーディングにより、出力が有効な JSON であることが保証されます。このモデルは Qwen 3.5 を基盤としており、Hugging Face を介してローカルで実行するか、vLLM サーバーを介してリモートで実行できます。 複数ページのドキュメントを単一のパスで処理でき、ページにまたがる値の抽出も可能です。CLI、Python API、スキーマの構築とテスト用の Streamlit『Schema Studio』が同梱されています。 pip install lift-pdf # vLLM サーバーを開始し、指定されたスキーマへ抽出を実行 lift_vllm lift_extract input.pdf ./output --schema schema.json from lift import extract result = extract("document.pdf", "schema.json") if result.extraction is not None: data = result.extraction # スキーマに一致する辞書 Datalab の 225 ドキュメントからなるベンチマークにおいて、lift は中央値レイテンシ 9.5 秒でフィールド精度 90.2% を達成しました。これは NuExtract3 (81.5%) や Qwen3.5-9B (76.3%) をフィールド精度で上回っています。ただし、Gemini Flash 3.5 (91.3%) やホストされた Datalab API (95.9%) には及びません。なお、すべてのローカルモデルにおいて完全ドキュメント精度は低く、lift は 20.9% です。一つのドキュメント内で全てのフィールドを正しく抽出することは依然として困難です。 コードは Apache-2.0 です。重み付けデータには、研究・個人利用、および資金調達額または収益が 500 万ドル未満のスタートアップ企業に対して無償で利用できる、改変された OpenRAIL-M ライセンスが適用されています。商用での自己ホスティングにはライセンスが必要であり、Datalab API と競合する目的での重み付けデータの使用は禁止されています。 NuMind NuExtract 3 NuExtract 3 は、NuMind が開発した 4B パラメータのビジョン・ランゲージモデルです。このモデルは、構造化抽出（ドキュメントから JSON への変換）とコンテンツ抽出（OCR から Markdown への変換）という 2 つのタスクを単一のモデルで統合しています。ユーザーは入力データと、必要なフィールドを記述した JSON テンプレートを提供します。このモデルは、抽出に特化した推論能力を強化するために強化学習を用いて訓練されており、リクエストごとにその機能をオンオフ切り替えることが可能です。 NuExtract 3 はマルチモーダルかつ多言語に対応しており、Qwen ベースのバックボーンを採用しています。vLLM を介して OpenAI 互換 API で提供され、Python SDK は `pip install numind` コマンドで入手できます。NuMind は、このサイズにおける構造化抽出とコンテンツ抽出のためのリファレンスオープンモデルとして位置付けています。商用利用前に必ずモデルカードを確認し、正確なライセンス条件を確認してください。 カテゴリ 2: ドキュメント解析から構造化 JSON および Markdown への変換 IBM Docling Docling は IBM リサーチで開発が始まり、現在は LF AI & Data Foundation でホストされています。PDF、DOCX、PPTX、XLSX、HTML、画像など多様な形式を解析します。出力フォーマットには Markdown、HTML、ロスレス JSON、および DocTags が含まれます。その中核となるのは DoclingDocument 表現であり、レイアウト、読み順、表数式を LaTeX として保持する機能を提供します。 Docling は、エアギャップ環境向けにローカルで実行されます。LangChain、LlamaIndex、Crew AI、Haystack と統合され、MCP サーバーと Docling Serve モードを同梱しています。このプロジェクトは、寛容な MIT ライセンスの下で提供されています。IBM はまた、watsonx を通じて管理バージョンも提供しています。 IBM Granite-Docling-258M Granite-Docling-258M は、IBM が開発したコンパクトな 258M パラメータのビジョンランゲージモデルです。Docling パイプライン内でワンショット文書変換を実行します。そのサイズにもかかわらず、OCR（光学文字認識）、レイアウト解析、テーブル、コード、数式の処理に対応し、DocTags を出力します。A100 GPU 上では、1 ページあたり平均約 0.35 秒で処理されます。 このモデルは Idefics3 アーキテクチャを基盤とし、SigLIP2 エンコーダーと Granite 165M の言語バックボーンを採用しています。Apache 2.0 ライセンスの下で公開されています。IBM は、これは一般的な画像理解ではなく文書変換のために構築されたものであると述べています。 OpenDataLab MinerU OpenDataLab と上海人工知能研究所が共同開発した MinerU は、PDF、画像、DOCX、PPTX、XLSX 形式の入力を Markdown および JSON に変換します。これは処理パイプラインとビジョンランゲージモデルを組み合わせたものです。現在のバージョンである MinerU2.5-Pro は、ページを跨ぐテーブルやチャートを含む複雑なレイアウトの高解像度解析を対象としています。 MinerU は最近ライセンスを変更しました。AGPL-3.0 から、Apache 2.0 を基盤とし追加条件を付した独自ライセンスである「MinerU Open Source License」へ移行しました。この変更により、商用展開における摩擦が低減されています。 Datalab Marker Marker は、文書を Markdown、JSON、チャンク、HTML に変換するための Datalab のパイプラインです。PDF、画像、PPTX、DOCX、XLSX、HTML、EPUB に対応しています。表、フォーム、数式、インライン数式、リンク、コードのフォーマットもサポートします。オプションの --use_llm フラグを使用すると、言語モデルが追加され、表やフォームの精度が向上します。 サードパーティ製の olmOCR-Bench スイートにおいて、Marker のスコアは約 76.1 です。そのコードは GPL-3.0 ライセンスで、モデル重み（weights）には修正された AI Pubs OpenRAIL-M ライセンスが適用されています。この重みライセンスは、研究、個人利用、および資金調達額または収益が 200 ドル未満のスタートアップ企業に対して無料で利用可能です。Datalab のマネージドプラットフォームでは、現在より新しい OCR モデルである Chandra が稼働しており、これは Apache-2.0 ライセンスで、HTML、Markdown、JSON を出力します。 Ai2 olmOCR 2 olmOCR 2 は、Allen Institute for AI (Ai2) が開発した 7B の OCR 特化型ビジョン言語モデルです。PDF から読み取り順序を保持しながら、クリーンなテキストと Markdown を生成します。複雑な多段レイアウトにおける表、数式、手書き文字の処理も可能です。このモデルは、検証可能な報酬からの強化学習（reinforcement learning）を用いてトレーニングされており、合成ユニットテストが報酬シグナルとして使用されています。 olmOCR 2 は、独自の olmOCR-Bench でスコア 82.4 を記録しており、同スイートにおける公開結果の中でも上位に位置します。Ai2 によると、自社の GPU を使用した場合のコストは、100 万ページあたり約 178 ドルと推定されています。ツールキットおよび allenai/olmOCR-2-7B-1025 のモデル重みは Apache-2.0 ライセンスです。現在のモデルは英語に焦点を当てたものです。 DeepSeek DeepSeek-OCR DeepSeek-OCR は、2025 年 10 月にリリースされた DeepSeek 製のオープン OCR モデルです。このモデルは「文脈光学圧縮（contexts optical compression）」という技術を導入しており、テキストが豊富なページをコンパクトなビジョントークンとして表現し、その後これをテキストへと復号化します。これにより、一般的なビジョン・ランゲージモデルに比べてはるかに少ないトークン数で長文ドキュメントの処理が可能になります。 DeepEncoder と 3B の Mixture-of-Experts（専門家混合）デコーダーを使用しており、トークンあたり約 570M パラメータが活性化されます。プロンプトの内容に応じて、プレーンテキスト、Markdown、HTML テーブル、または構造化 JSON を出力でき、100 以上の言語に対応しています。コードは MIT ライセンスの下で公開されています。後継となる DeepSeek-OCR2 は 2026 年 1 月に登場しました。 汎用オプション：Qwen3-VL アリババ製の Qwen3-VL はドキュメント特化型モデルではなく、多くの抽出モデルがベースとして利用する汎用的なマルチモーダルシリーズです。ページから Markdown、JSON、またはコードを返すようプロンプトで指示することができます。ほとんどのサイズは Apache 2.0 ライセンスの下で提供されています。専門的なモデルが要件に合わない場合の柔軟なフォールバックとして機能しますが、より高度なプロンプトエンジニアリングが必要であり、出力に関する保証は限定的です。 各オプションの比較 モデル名 | Org | サイズ | 機能 | 主要出力 | ライセンス liftDatalab9B | Schema-driven extraction（スキーマ駆動型抽出） | JSON to your schema（あなたのスキーマへの JSON） | Apache-2.0 code / OpenRAIL-M weights NuExtract 3 | NuMind | 4B | Schema extraction + OCR（スキーマ抽出＋OCR） | JSON + Markdown | Open weights (see card)（オープンウェイト、カード参照） Docling | IBM / LF AI & Data | Pipeline Layout parsing（パイプラインレイアウト解析） | Markdown, JSON, DocTags | MIT Granite-Docling | IBM | 258M | One-shot conversion（ワンショット変換） | DocTags, Markdown | Apache-2.0 MinerUOpenDataLab~1.2B VLMLayout パースMarkdown, JSONMinerU オープンソースライセンス MarkerDatalabPipelineLayout パースMarkdown, JSON, HTMLGPL-3.0 コード / OpenRAIL-M 重み olmOCR 2Ai27BOCR からテキストへプレーンテキスト，MarkdownApache-2.0 DeepSeek-OCRDeepSeek3B MoE（約570M アクティブ）トークン圧縮を伴う OCR テキスト，Markdown, JSONMIT（コード） Qwen3-VLAlibaba2B–235B 汎用 VLMMarkdown, JSON, コードApache-2.0（ほとんどのサイズ） ベンチマークに関する注記：これらの数値は異なるスイートから得られたものであり、直接比較することはできません。lift の 90.2% は Datalab のスキーマ抽出ベンチマークにおけるフィールド精度です。olmOCR-Bench のスコア（olmOCR 2 が 82.4、Marker が 76.1）は、ユニットテストスコアリングによるコンテンツ抽出を測定しています。決定を下す前に、各候補に自社のドキュメントを実行して検証してください。 :root{ --bg:#0b0b0b; --card:#121212; --card2:#161616; --border:#232323; --green:#76B900; --teal:#2bb673; --gray:#7a7a7a; --text:#eaeaea; --muted:#9a9a9a; --dim:#6f6f6f; } *{box-sizing:border-box} html,body{margin:0;padding:0} #mtp-app{ background:var(--bg); color:var(--text); font-family:-apple-system,BlinkMacSystemFont,"Segoe UI",Roboto,Helvetica,Arial,sans-serif; padding:26px 22px 18px; border:1px solid var(--border); border-radius:14px; max-width:960px; margin:0 auto; line-height:1.5; } .mono{font-family:ui-monospace,SFMono-Regular,Menlo,Consolas,monospace} .head-kicker{font-size:12px;letter-spacing:.14em;text-transform:uppercase;color:var(--green);font-weight:700;margin:0 0 6px} h1{font-size:23px;line-height:1.25;margin:0 0 8px;font-weight:750} .sub{color:var(--muted);font-size:14.5px;margin:0 0 18px;max-width:720px} .legend{display:flex;flex-wrap:wrap;gap:14px;margin:0 0 20px;font-size:12.5px;color:var(--muted)} .legend span{display:inline-flex;align-items:center;gap:7px} .dot{width:9px;height:9px;border-radius:50%;display:inline-block} .dot.schema{background:var(--green)} .dot.parse{background:var(--teal)} .dot.general{background:var(--gray)} .controls{display:flex;flex-wrap:wrap;gap:16px;align-items:flex-end;margin:0 0 18px} .ctrl-group{display:flex;flex-direction:column;gap:7px} .ctrl-label{font-size:11px;letter-spacing:.08em;text-transform:uppercase;color:var(--dim);font-weight:700} .btns{display:flex;flex-wrap:wrap;gap:8px} .btn{ background:var(--card2); color:var(--muted); border:1px solid var(--border); padding:7px 13px; border-radius:999px; font-size:13px; cursor:pointer; transition:all .15s ease; white-space:nowrap; } .btn:hover{color:var(--text);border-color:#3a3a3a} .btn.active{background:var(--green);color:#0b0b0b;border-color:var(--green);font-weight:700} .count{font-size:12.5px;color:var(--dim);margin:0 0 14px} .count b{color:var(--green)} .grid{display:grid;grid-template-columns:repeat(auto-fill,minmax(270px,1fr));gap:14px} a.card{ display:block;text-decoration:none;color:inherit;background:var(--card); border:1px solid var(--border);border-left:3px solid var(--gray);border-radius:11px; padding:15px 16px 14px;transition:transform .15s ease,border-color .15s ease,background .15s ease; } a.card:hover{transform:translateY(-3px);background:var(--card2);border-top-color:#2f2f2f;border-right-color:#2f2f2f;border-bottom-color:#2f2f2f} a.card.schema{border-left-color:var(--green)} a.card.parse{border-left-color:var(--teal)} a.card.general{border-left-color:var(--gray)} .card-top{display:flex;justify-content:space-between;align-items:baseline;gap:8px;margin-bottom:2px} .card-name{font-size:16px;font-weight:750} .card-size{font-size:11.5px;color:var(--muted)} .card-org{font-size:12.5px;color:var(--dim);margin-bottom:11px} .card-stat{font-size:13px;color:var(--text);margin-bottom:11px;min-height:34px} .chips{display:flex;flex-wrap:wrap;gap:6px;margin-bottom:12px} .chip{font-size:11px;padding:3px 8px;border-radius:6px;background:#1c1c1c;color:var(--muted);border:1px solid #262626} .chip.out{color:#cfe8a6} .card-foot{display:flex;justify-content:space-between;align-items:center;font-size:12px;gap:8px} .lic{color:var(--dim)} .repo{color:var(--green);font-weight:600;white-space:nowrap} .note{ margin:20px 0 6px;background:#101510;border:1px solid #223018;border-radius:10px; padding:13px 15px;font-size:12.8px;color:#b9c9a6; } .note b{color:var(--green)} footer{ margin-top:20px;padding-top:15px;border-top:1px solid var(--border); display:flex;flex-wrap:wrap;justify-content:space-between;align-items:center;gap:10px; font-size:12px;color:var(--dim); } footer .brand{color:var(--green);font-weight:750;letter-spacing:.02em} footer .brand span{color:var(--muted);font-weight:400} .verified{color:var(--dim)} @media (max-width:640px){ h1{font-size:20px} .grid{grid-template-columns:1fr} .controls{gap:14px} footer{flex-direction:column;align-items:flex-start;gap:6px} } Marktechpost エクスプレイナー 構造化 PDF から JSON への変換のためのオープンソース文書抽出モデル 「PDF to JSON」という言葉は、2 つの異なる作業を隠しています。スキーマ駆動型抽出では、あなたが定義したフィールドにデータを埋め込みます。一方、文書解析ではページ全体を再構築して JSON または Markdown 形式に変換します。タスクとライセンスで絞り込み、任意のリポジトリを開いて確認してください。 スキーマ駆動型抽出 文書解析 汎用 VLM（視覚言語モデル） タスク すべて スキーマ駆動型 文書解析 一般用途 ライセンス 任意 寛容ライセンス（MIT / Apache） コピーレフト / カスタム ベンチマークは直接比較できません。lift の 90.2% は Datalab のスキーマベンチマークにおけるフィールド精度です。olmOCR-Bench のスコア（olmOCR 2 が 82.4、Marker が 76.1）は、ユニットテストを用いたコンテンツ抽出の性能を測定したものです。選択する前に、ご自身のドキュメントで実行することをお勧めします。 Marktechpost · AI Media Inc. 一次情報源から検証済み · 2026 年 7 月 var MODELS = [ {name:'lift', org:'Datalab', cat:'schema', size:'9B', out:'JSON to your schema', lic:'Apache-2.0 code / OpenRAIL-M weights', licType:'other', stat:'Schema-constrained decoding. 90.2% field accuracy on Datalab benchmark.', url:'https://github.com/datalab-to/lift'}, {name:'NuExtract 3', org:'NuMind', cat:'schema', size:'4B', out:'JSON + Markdown', lic:'Open weights (see model card)', licType:'other', stat:'Unifies schema extraction and OCR. Toggleable reasoning.', url:'https://github.com/numindai/nuextract'}, {name:'Docling', org:'IBM / LF AI & Data', cat:'parse', size:'Pipeline', out:'Markdown, JSON, DocTags', licType:'permissive', lic:'MIT', stat:'Parses PDF, DOCX, PPTX, XLSX, HTML and more. RAG-ready.', url:'https://github.com/docling-project/docling'}, {name:'Granite-Docling-258M', org:'IBM', cat:'parse', size:'258M', out:'DocTags, Markdown', licType:'permissive', lic:'Apache-2.0', stat:'One-shot conversion at ~0.35s per page on A100.', url:'https://huggingface.co/ibm-granite/granite-docling-258M'}, {name:'MinerU', org:'OpenDataLab', cat:'parse', size:'~1.2B VLM', out:'Markdown, JSON', licType:'other', lic:'MinerU Open Source License', stat:'MinerU2.5-Pro. High-res layouts, cross-page tables.', url:'https://github.com/opendatalab/MinerU'}, {name:'Marker', org:'Datalab', cat:'parse', size:'Pipeline', out:'Markdown, JSON, HTML', licType:'other', lic:'GPL-3.0 code / OpenRAIL-M weights', stat:'Fast pipeline. ~76.1 on olmOCR-Bench.', url:'https://github.com/datalab-to/marker'}, {name:'olmOCR 2', org:'Ai2', cat:'parse', size:'7B', out:'Text, Markdown', licType:'permissive', lic:'Apache-2.0', stat:'82.4 on olmOCR-Bench. ~$178 per million pages.', url:'https://github.com/allenai/olmocr'}, {name:'DeepSeek-OCR', org:'DeepSeek', cat:'parse', size:'3B MoE', out:'Text, Markdown, JSON', licType:'permissive', lic:'MIT (code)', stat:'Contexts optical compression. 100+ languages.', url:'https://github.com/deepseek-ai/DeepSeek-OCR'}, {name:'Qwen3-VL', org:'Alibaba', cat:'general', size:'2B-235B', out:'Markdown, JSON, code', licType:'permissive', lic:'Apache-2.0 (most sizes)', stat:'General VLM. Prompt it for JSON when no specialist fits.', url:'https://github.com/QwenLM/Qwen3-VL'} ]; var state = {cat:'all', lic:'any'}; var catLabel = {schema:'Schema-driven', parse:'Document parsing', general:'General'}; function render(){ var list = MODELS.filter(function(m){ var okCat = state.cat === 'all' || m.cat === state.cat; var okLic = state.lic === 'any' || m.licType === state.lic; return okCat && okLic; }); var html = list.map(function(m){ return '' + '' + m.name + '' + '' + m.size + ' ' + '' + m.org + ' ' + '' + m.stat + ' ' + '' + catLabel[m.cat] + '' + '' + m.out + ' ' + '' + m.lic + '' + 'Repo → ' + ''; }).join(''); document.getElementById('grid').innerHTML = html || 'No models match these filters. '; document.getElementById('count').innerHTML = 'Showing ' + list.length + ' of ' + MODELS.length + ' models'; postHeight(); } function wire(groupId, key, attr){ var wrap = document.getElementById(groupId); wrap.addEventListener('click', function(e){ var b = e.target.closest('.btn'); if(!b) return; state[key] = b.getAttribute('data-' + attr); Array.prototype.forEach.call(wrap.querySelectorAll('.btn'), function(x){ x.classList.remove('active'); }); b.classList.add('active'); render(); }); } function postHeight(){ setTimeout(function(){ var app = document.getElementById('mtp-app'); var h = (app ? app.offsetHeight : document.body.offsetHeight) + 40; if (window.parent) window.parent.postMessage({type:'mtp-docextract-resize', height:h}, '*'); }, 60); } wire('cat-btns', 'cat', 'cat'); wire('lic-btns', 'lic', 'lic'); render(); window.addEventListener('load', postHeight); window.addEventListener('resize', postHeight); キーポイント スキーマ駆動型抽出（フィールドから値へ）とドキュメント解析（レイアウトから JSON へ）は、異なる作業です。 lift と NuExtract 3 はスキーマ駆動型の JSON を対象としていますが、それ以外のツールはドキュメント解析を対象としています。 Docling, MinerU, Marker, olmOCR 2, および DeepSeek-OCR は、ドキュメントを構造化された Markdown または JSON に変換します。 ライセンスは大きく異なります。MinerU は 2026 年に AGPL-3.0 から移行し、lift と Marker はコードとモデル重みのライセンスを分割しました。 公開されているベンチマークは異なるスイートから得られているため、モデル間のスコア比較は参考値として扱い、厳密な比較対象とは見なさないでください。

2026 年版オープンソース PDF から JSON への変換モデルガイド

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト