論文概要（Abstract） OmniDocBenchは、PDF文書解析の統一ベンチマークである。学術論文・教科書・財務レポート・試験問題など9種類のカテゴリにわたる800文書を収録し、テキスト・数式・表・図を含む434万要素を人手でアノテーションしている。従来の断片的な評価（OCRのみ、表認識のみなど）を一元化し、エンドツーエンドのパイプライン比較を可能にした点が著者らの主要な貢献である...

本記事は Toward Conversational Agents with Context and Time Sensitive Long-term Memory（Alonso et al., 2024）の解説記事です。 この記事は Zenn記事: Bedrock AgentCoreで社内問い合わせエージェントを構築しメモリ永続化で精度向上 の深掘りです。AgentCoreのShort-...

本記事は Introducing Strands Agents 1.0: Production-Ready Multi-Agent Orchestration Made Simple（AWS Open Source Blog, 2025年7月15日）の解説記事です。 ブログ概要（Summary） Strands Agents SDKは、AWSがApache-2.0ライセンスで公開している...

論文概要（Abstract） olmOCRは、Allen Institute for AI（AI2）が開発したオープンソースのPDF→テキスト変換ツールキットです。7BパラメータのVision Language Model（VLM）を約26万ページでfine-tuneし、Document-anchoringと呼ばれる技術によってPDFのバイナリ抽出テキスト座標情報をVLMプロンプトに注入す...

論文概要（Abstract） DocParseNetは、スキャンされた文書画像のセマンティックセグメンテーションにOCR埋め込みを統合したマルチモーダルアーキテクチャである。従来のセマンティックセグメンテーション手法が視覚特徴のみに依存していたのに対し、本手法はTesseract OCRで抽出したテキスト情報をDistilBERTで符号化し、視覚ストリームとマルチヘッドアテンションで融合す...

本記事は HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models（Gutiérrez et al., 2024）の解説記事です。 論文概要（Abstract） Retrieval-Augmented Generation（RAG）は外部知識を活用する手法として広く普及していますが、複数...

論文概要（Abstract） ExStrucTinyは、J.P. Morgan AI Researchが提案した文書画像からのスキーマ可変構造化情報抽出（Schema-Variable Structured Information Extraction）を評価するためのベンチマークである。304のQAペアと110のマルチページ文書を含み、フォーム・財務レポート・スライド・Webスクリーンシ...

本記事は LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory（Wu et al., 2024）の解説記事です。ICLR 2025で採択されました。 論文概要（Abstract） LLM駆動のチャットアシスタントにメモリコンポーネントを統合し、ユーザーとの対話履歴を追跡してパーソナライズされた応...

本記事は https://arxiv.org/abs/2509.04469 の解説記事です。 論文概要（Abstract） 本論文は、請求書からの情報抽出タスクにおいて、マルチモーダルLLMの2つの処理戦略――画像を直接入力する「Native Vision」と、Doclingでドキュメントを事前にMarkdownへ変換してからテキストとして入力する「Docling変換」――をゼロショット...

本記事は Memory OS of AI Agent（Kang et al., 2025）の解説記事です。 この記事は Zenn記事: Bedrock AgentCoreで社内問い合わせエージェントを構築しメモリ永続化で精度向上 の深掘りです。Bedrock AgentCoreではエージェントにメモリを持たせて対話品質を向上させますが、MemoryOSはそのメモリ管理を「OSのメモリ管理」...