画像や文書からテキストを抽出する技術であり、対象モデルのタスクの一つです。
CloudflareのAI Searchサービスが正式に利用可能になり、画像のネイティブ埋め込み、マルチモーダル検索、最大10メガバイトのスキャンPDF向けOCRに対応しました。料金の計算は2026年11月1日に開始され、すべてのWorkersプランで無料枠が維持されます。
Gyazo平台确认遭到利用其服务器漏洞的网络攻击,导致约2362万条用户记录和4.9亿条图像元数据记录被盗。公司暂时停止了服务,并警告部分私人图像可能已被访问。
GitHubは、画像の代替テキストに対する自動チェックの限界を説明し、決定論的なルールと、オプションで利用できる視覚モデルベースのチェックを組み合わせたGitHub Accessibility Scannerの新しい拡張機能を紹介しています。実験では、自動化によって一部の誤りを検出できる一方、説明が画像の文脈や機能に適しているかどうかを常に判断できるわけではないことが示されています。
CohereLabsは、24億パラメータを備え、ネイティブ解像度での画像処理をサポートするApache 2.0ライセンスのオープンウェイト視覚言語モデル「North-Micro-Vision-Instruct」をリリースした。このモデルは、文書や図表の理解、OCR、カスタムファインチューニング向けのアプリケーションを対象としている。また、MLX-VLMへのコミュニティーサポートと、NVIDIA製GPUへのデプロイ向けAutoModelレシピも含まれている。