HPD-Parsing：文書解析を階層型並列デコードへ移す試み

導入

文書解析は、従来の OCR やレイアウト解析を組み合わせる方式から、視覚言語モデル（VLM）による統一的な解析へと移りつつある。ページ画像を入力し、構造化されたテキストやレイアウト情報を直接生成できる点は大きな利点だ。しかし、多くの統一型パーサーでは、出力生成が依然として 1 本の自己回帰的な経路に依存している。つまり、ページ全体の内容を token ごとに順番に出すため、文書が長くなるほど待ち時間が増える。

HPD-Parsing（Hierarchical Parallel Document Parsing）は、この問題に対する新しい設計である。PaddleOCR チームは、文書解析には「全体を見なければならない部分」と「同時に処理できる部分」があると整理した。ページのレイアウトはグローバルに判断する必要がある一方、段落や表、見出しなどのブロック内容は必ずしも 1 列に並べて生成する必要はない。

主要ポイント

• 逐次生成から階層型並列へ：ページ全体を単一の token-by-token 生成に押し込むのではなく、階層的なデコード構造を採用する。
• 主レイアウト分岐が全体を調整：文書全体の構造を整理し、ブロック単位の解析をどの分岐に割り当てるかを動的に決める。
• 内容ブロックを並列処理：各ブロックの内容生成を複数の分岐で同時に進め、単一路線の生成待ちを減らす。
• P-MTP による追加の効率化：progressive multi-token prediction により、各分岐内のデコードステップ数も削減する。
• 公開ベンチマークでの結果：HPD-Parsing は 4,752 tokens/s を達成し、既存の最速文書解析モデルの 2.62 倍、通常の自己回帰ベースラインの 3.06 倍のスループットを示した。解析精度も競争力を維持しているとされる。

意義と影響

この研究の重要性は、単なる高速化だけではない。文書という対象の構造に合わせて、レイアウト理解と内容生成を分離した点にある。統一型 VLM パーサーであっても、すべてを 1 本の長い生成列として扱う必要はない、という設計思想を示している。

実用面では、請求書、契約書、論文、帳票、業務レポートなどを大量に処理する場面で、スループット向上は大きな意味を持つ。長い文書や複雑なレイアウトほど、完全な逐次生成は重くなりやすい。階層型並列デコードは、その負担を分散できる可能性がある。

提示された素材だけでは、ハードウェア条件、文書種類ごとの挙動、失敗例までは判断できない。それでも HPD-Parsing は、マルチモーダル文書解析において「全体で調整し、局所で並列実行する」方向性を明確に示した研究と言える。

出典：Hugging Face Daily Papers