表#4
1. chandra-ocr-289.20
2. GLM-5.3-Flash89.18
3. Infinity-Parser2-Pro86.40
4. KDL-Frontier-Parser-nano85.56
5. dots.mocr85.20
ベンチマーク · LlamaIndexのParseBench
文書パーシングで33モデル中1位。
保険、金融、公共分野の企業文書1,211件（約2,000ページ）を対象に、表、グラフ、内容の忠実性、書式、レイアウトを総合的に検証した公開ベンチマークです。 KDLの1.2Bパーサーは2026年6月に初めて平均スコア1位となり、10月13日時点でも1位を維持しています。
76.36
5項目の平均 · Hugging Faceリーダーボード
1位を維持 · 2026年10月13日 · 2026年6月に初の1位
#1Hugging Faceリーダーボードの33モデル中の平均スコア
Top 5表、レイアウト、書式、グラフの4分野すべてで同時に上位5位。これを満たすモデルは他にありません。
1.2Bパラメータ数。上回った27Bの汎用モデルより、23分の1の規模です。
02,553件のテストを一括実行した際の失敗数
リーダーボード · 平均スコア
大手ラボのモデルを上回る。
Alibaba、Tencent、DeepSeek、NVIDIAのモデルを抑えて、 1.2B KDLパーサーが平均スコア1位に立ちました。
1
KDL-Frontier-Parser-nano1.2B76.36
KDL-Frontier-Parser-nano1.2B76.362LightOnOCR-3-4BLightOn · 4.5B75.10
3LightOnOCR-3-0.8BLightOn · 0.9B74.60
4Infinity-Parser2-ProINF · 35.1B74.30
5Infinity-Parser2-FlashINF · 2.2B73.25
6MinerU2.5-Pro-2605-1.2BOpenDataLab · 1.2B72.78
7LightOnOCR-3-1BLightOn · 1.0B71.40
8
Qwen3.8-27B27.8B70.79
Qwen3.8-27B27.8B70.799GLM-5.3-FlashZhipu · 321B70.75
10chandra-ocr-2Datalab · 5.3B70.10
14
HunyuanOCR1.1B63.86
HunyuanOCR1.1B63.8616
DeepSeek-V4.1-Flash763B56.57
DeepSeek-V4.1-Flash763B56.5719
Nemotron-3-Nano-Omni-30B33.0B48.51
Nemotron-3-Nano-Omni-30B33.0B48.51スコアとモデルサイズ
閉域網の単一サーバーに
載るほどの小型さです。
数百億パラメータ規模の巨大モデルと比べ、1.2Bの小型モデルでより高いパーシングスコアを記録しました。 金融機関や公共機関の閉域網にある単一サーバー環境に、そのまま導入できます。
項目別
一芸頼みではない。
ページ全体で強みを発揮します。
特定の要素だけに最適化されたモデルは、実際の複合文書環境で精度が大きく落ちます。 KDLのモデルは、表、グラフ、書式、レイアウトの4分野すべてで上位5位以内に入っています。
レイアウト · 視覚的グラウンディング#4
1. Infinity-Parser2-Flash80.61
2. TeleOCR80.14
3. MinerU2.5-Pro-2605-1.2B79.30
4. KDL-Frontier-Parser-nano78.84
5. PaddleOCR-VL-1.677.80
意味的な書式#3
1. GLM-5.3-Flash79.49
2. LightOnOCR-3-4B67.60
3. KDL-Frontier-Parser-nano66.81
4. Qwen3-VL-8B-Instruct66.80
5. LightOnOCR-3-0.8B66.70
グラフ#5
1. Qwen3.8-27B69.17
2. LightOnOCR-3-4B66.10
3. chandra-ocr-265.10
4. LightOnOCR-3-0.8B64.70
5. KDL-Frontier-Parser-nano63.41
モデルの舞台裏
1.2Bで1位を獲得した
パーサーの開発過程。
KDL研究チームが、1.2Bモデルをどのように設計・改良して1位に導いたのかを、インタビューで直接お話しします。
1.2Bの超軽量モデルでGoogleとGPTを上回った文書パーシングAI。Korea Deep Learningはどう作ったか
インタビューを読む評価方法
スコアの算出方法
ベンチマークLlamaIndexのParseBench評価体系で、企業文書1,211件、約2,000ページを、169,011件の専門家レビュー済みルールで測定しました。
5つの評価軸表の構造的な整合性、グラフのデータ値、テキストの欠落や歪みの有無、太字と上付き文字の書式、ページ内の位置座標を総合的に採点しました。
一括実行公式のベンチマーク実行ツールで、2,553件のテストを単一のパーサーモデルで一括実施し、推論の失敗は0件でした。
再測定レイアウトのスコアは、ParseBench運営側が公式の評価指標に基づいて再測定した値です。
オープンウェイト既定モデルであるnanoモデルの重みはHugging Faceで公開されており、結果を直接検証できます。高性能なultraモデルは、KDLプラットフォームを通じて提供しています。
出典ParseBench リーダーボード · KDL-Frontier-Parser-nano · 2026年10月13日時点
ベンチマークは出発点です。
お手元の文書でお試しください。
お客様が実際に使っている難しい文書のサンプルで、パーシング性能をご自身で確認いただけます。 担当エンジニアが、結果を一緒に確認いたします。