IBM、企業文書理解に特化した軽量VLM「Granite 4.0 3B Vision」を公開

IBMは、企業環境における複雑な文書処理を目的とした軽量視覚言語モデル（VLM）「Granite 4.0 3B Vision」を公開した。Hugging Faceブログで発表されたこのモデルは、テーブル構造の抽出、グラフの解釈、意味的キーバリューペア（KVP）抽出という3つのコア機能を中心に設計されており、IBMの密型言語モデル「Granite 4.0 Micro」の上にLoRAアダプターとして搭載される。

なぜこのモデルが注目されるのか

請求書、契約書、レポート、金融フォームといった企業文書から正確な情報を自動抽出することは、長年の課題であり続けてきた。従来の光学文字認識（OCR）ソリューションは、レイアウトが複雑な場合や、グラフ・チャートのように視覚情報が核心となる場合に限界を露呈してきた。

Granite 4.0 3B Visionはこのギャップを直接狙い撃ちにする。パラメーター数を3Bスケールに抑えながら文書構造理解に特化した性能を目指し、大規模汎用モデルと比較して推論コストと導入複雑性を低減することで、企業内部のワークフローへの統合を容易にする設計となっている。

オープンソースの文書処理ライブラリDoclingとの公式連携サポートも、企業パイプライン構築における実質的なアドバンテージとなる。単独利用とパイプライン統合利用の両方に対応している。

既存アプローチとの違い

Granite 4.0 3B Visionを従来のVLMと差別化する3つの革新点がある。

① ChartNet：グラフ理解のための専用学習データセット

グラフはVLMにとって特に難しい入力だ。視覚パターン、数値データ、自然言語を同時に推論する必要があり、既存のVLMの多くはこの組み合わせをうまく処理できない。IBMの研究チームはこの課題に対処するため、コードガイド合成パイプラインを用いたChartNetデータセットを独自開発した。

ChartNetは、24種類のグラフタイプと6つのプロッティングライブラリを網羅する170万件の多様なグラフサンプルで構成される。各サンプルはプロッティングコード、レンダリング画像、データテーブル、自然言語サマリー、QAペアという5つの整合されたコンポーネントを含み、モデルがグラフの視覚的な外観だけでなく、エンコードされた構造的情報を学習できるよう設計されている。この研究はCVPR 2026で発表される予定だ。

② DeepStackアーキテクチャ：層別視覚特徴注入

DeepStack Injectionは、抽象的な視覚特徴を前方レイヤーに（意味理解のため）、高解像度の空間特徴を後方レイヤーに（詳細保全のため）分離注入する方式だ。これにより、文書内の「何があるか」と「どこにあるか」を同時に把握できるようになる。

③ モジュラー設計：LoRAアダプターによる実用的な展開

Granite 4.0 3B VisionはGranite 4.0 MicroへのLoRAアダプターとしてパッケージングされており、単一の展開環境でマルチモーダルとテキスト専用の両方のワークロードを処理できる。

【専門家分析】軽量特化モデルの台頭が企業AIの戦略を変える

今回のリリースは、大規模汎用モデルの競争とは別に、特定ドメインに最適化された軽量特化モデルが企業AImarket で独自の地位を確立しつつある流れを示している。

企業側の視点では、GPT-4oやGemini 1.5 Proのような超大型モデルは文書処理コストが高く、セキュリティ・コンプライアンス上の理由からオンプレミス展開が困難だ。一方、3Bスケールの特化モデルは社内サーバーやエッジ環境に展開しながら目的に合った性能を発揮できるという点で、現実的な選択肢になる可能性が高い。

ChartNetデータセットがCVPR 2026で公開される予定であることも注目に値する。公開後は業界全体でのファインチューニング活用が加速し、競合モデルのグラフ理解能力向上にも寄与する可能性があり、IBMの今回の研究投資が業界全体の底上げを促す触媒となる可能性がある。

ただし、実際の企業環境における性能検証は今後の課題だ。発表された機能が多様な企業文書フォーマットで一貫して発揮されるかどうかは、独立したベンチマークと現場導入事例を通じて確認される必要がある。