リコーのマルチモーダルLLMは「図表が読める」——テキスト限界を突破した国産モデルの実力と使いどころ

「テキストだけ」という前提が、企業AI活用の壁になっていた

多くの企業がAIを業務に取り込もうとするとき、最初にぶつかる壁のひとつが「図や表が扱えない」という問題だ。製品マニュアル、財務資料、設計図面——実務文書の多くは、文字情報だけでなく視覚的な情報を含んでいる。テキスト検索や従来の言語モデルでは、こうした資料の意味を正確に読み取ることができず、AI活用の範囲が自ずと限定されてきた。リコーが今回開発・公開したモデルは、その制約に正面から向き合おうとするものだ。

リコーがGENIAC第3期で完成させたマルチモーダルLLMの概要

リコーは、経済産業省とNEDO（国立研究開発法人新エネルギー・産業技術総合開発機構）が実施するプロジェクト「GENIAC」の第3期において、リーズニング（推論）性能を備えたマルチモーダル大規模言語モデル（LMM）の開発を完了した。マルチモーダルとは、テキストだけでなく画像や図表など複数の種類のデータを同時に扱える能力を指す。さらにリーズニング性能とは、単に情報を読み取るだけでなく、複数のステップを経て論理的に推論する能力のことだ。

このモデルの特徴として報じられているのが、図表を含む文書を解釈できる点だ。テキスト検索では取りこぼしていた視覚的な情報も処理対象となる。また、その性能は「大型商用モデル並み」と評価されている。リコーは軽量版モデルをHugging Face上で無償公開しており、開発者や研究者が実際に試せる状態になっている。

図表処理が必要な現場と、国産モデルという選択肢の意味

このモデルが特に影響を与えうるのは、図表や画像を多く含む文書を日常的に扱う業種や部門だ。製造業の技術資料、金融機関のレポート、医療や建設分野の設計文書など、テキストだけでは情報が完結しない現場は多い。こうした領域では、これまで人手でしか対応できなかった図表の読み取りや解釈をAIが補助できる可能性がある。

また、国産モデルである点も見逃せない。日本語の文書やビジネス慣行に即した対応が求められる場面、あるいはデータを外部の海外サービスに送ることへの懸念がある組織にとって、国内で開発されたモデルは現実的な選択肢になりうる。GENIACという経産省・NEDO主導のプロジェクトの枠組みで生まれたという背景も、政府調達や公的機関での採用を検討する上での参照点になるだろう。

無償公開された軽量モデルで、実務導入前に確認すべきこと

Hugging Faceで公開されているのは「軽量モデル」であり、開発が完了したフルスペックのモデルと同一ではない可能性がある。軽量化によってどの程度の性能差が生じるか、特定の図表形式や専門領域でどこまで精度が出るかは、実際に自社データで検証する必要がある。「大型商用モデル並み」という評価が、自社の具体的な業務においても成立するかどうかは別問題だ。

また、商用利用やシステム統合に向けたサポート体制、ライセンス条件、継続的なモデル更新の見通しといった実運用上の条件も、現時点では明らかになっていない部分がある。まず軽量版で自社文書に対する動作を確認し、性能・コスト・リスクの観点から段階的に判断する進め方が現実的だろう。

「国産」と「マルチモーダル」の組み合わせをどう評価するか

リコーのLMMが示すのは、テキスト処理に限定されてきた国産AIの守備範囲が広がりつつあるという変化だ。図表が読めるという機能は単体では地味に見えるが、実務文書の大半が視覚情報を含むことを考えれば、企業のAI活用範囲を実質的に拡張する可能性を持つ。

冒頭で触れた「テキストだけ」という壁は、技術的には崩れ始めている。ただし壁が崩れることと、自社の業務で使えることは別の話だ。軽量モデルの公開は「試せる状態」を意味するにすぎない。この機会を活かすかどうかは、自社の文書構造と業務課題を照らし合わせて判断する側の解像度にかかっている。

本記事は公開情報をもとに、NEWGATA編集部で確認のうえ掲載しています。