สัปดาห์โมเดล OCR โอเพนซอร์สมาแรง: PP-OCRv6 จิ๋ว 1.5M–34.5M รันบนเครื่องเล็กได้ + Baidu Unlimited OCR อ่านเอกสาร 40 หน้ารวดเดียว ส่วน Mistral OCR 4 เลือกปิดเวต
ถ้าสัปดาห์ก่อน ๆ เป็นของ coding agent สัปดาห์นี้ (22–23 มิถุนายน 2026) เป็นของ โมเดลอ่านเอกสาร (document AI / OCR) — งานพื้นฐานที่ดูน่าเบื่อแต่เป็นหัวใจของ pipeline จริงแทบทุกที่: ดูดข้อมูลจาก PDF ใบกำกับภาษี สัญญา รายงาน สแกนเอกสารเก่า ป้อนเข้า RAG หรือฐานข้อมูล ในรอบไม่กี่วันมีของออกมาพร้อมกันสามตัวที่เล่าเรื่องเดียวกันได้ดี — สองตัวเปิดเวต หนึ่งตัวปิด — และความต่างระหว่างมันคือบทเรียนเรื่อง “เปิด vs ปิด” ที่นักพัฒนาไทยควรอ่านก่อนเลือกใช้
PP-OCRv6 — OCR โอเพนเวตขนาดจิ๋วที่รันบนเครื่องเล็กได้
ตัวที่น่าสนใจสุดสำหรับคนทำงานบนเครื่องตัวเองคือ PP-OCRv6 จากทีม PaddlePaddle (Baidu) บน Hugging Face จุดขายคือ เล็กมาก: มาเป็น 3 ขนาด
- Tiny — 1.5M พารามิเตอร์
- Small — 7.7M พารามิเตอร์
- Medium — 34.5M พารามิเตอร์
ตัวเลขนี้ไม่ได้พิมพ์ผิด — นี่คือหลัก “ล้าน” ไม่ใช่ “พันล้าน” หมายความว่ามันรันได้บน CPU, มือถือ หรือ edge device โดยไม่ต้องมี GPU แรง ๆ ขณะที่ตัว Medium ทำ detection Hmean 86.2% และ recognition accuracy 83.2% — ดีขึ้นจาก PP-OCRv5_server ราว +4.6 และ +5.1 จุด ครอบคลุม 50 ภาษา (จีนตัวย่อ/ตัวเต็ม อังกฤษ ญี่ปุ่น และอีก 46 ภาษาตระกูลละติน) สถาปัตยกรรมใหม่ใช้ RepLKFPN ฝั่ง detection และ EncoderWithLightSVTR ฝั่ง recognition และที่สำคัญสำหรับการเอาไปใช้งานจริง — ปล่อยเป็น safetensors, Paddle inference และ ONNX ครบ พร้อม deploy
ข้อควรรู้สำหรับงานภาษาไทย: รายการ 50 ภาษาของ PP-OCRv6 ที่ประกาศ ยังไม่ครอบคลุมอักษรไทยโดยตรง (เน้นจีน/อังกฤษ/ญี่ปุ่น + ตระกูลละติน) ฉะนั้นถ้างานคุณคือสแกนเอกสารภาษาไทย อย่าเพิ่งคาดหวังว่าจะใช้ได้ทันที — ควรทดสอบกับชุดข้อมูลจริงก่อน หรือมองตัวเลือกที่ระบุรองรับภาษาแถบเอเชียตะวันออกเฉียงใต้
Baidu Unlimited OCR — อ่านเอกสารยาว 40+ หน้าในรอบเดียว
อีกตัวที่เปิดเวตในสัปดาห์เดียวกันคือ Unlimited OCR ของ Baidu (โค้ด + เวตบน GitHub/Hugging Face/ModelScope, สัญญาอนุญาต MIT) ชูแนวคิด “One-shot Long-horizon Parsing” — แทนที่จะตัดเอกสารยาวเป็นหน้า ๆ แล้วอ่านทีละหน้า มันใช้เทคนิค Reference Sliding Window Attention (R-SWA) ที่ทำให้หน่วยความจำคงที่ตอน decode ลำดับยาว ๆ จึง ประมวลเอกสาร 40+ หน้าได้ในรอบ forward เดียว ทีมรายงานว่าทำ 93.92% บน OmniDocBench v1.6 (นำ DeepSeek-OCR ราว 6 จุด) และเร็วขึ้นราว 35% บนลำดับยาวเกิน 6,000 โทเคน — ตรงโจทย์เอกสารราชการ/สัญญายาว ๆ ที่การตัดหน้าทำให้ลำดับการอ่าน (reading order) เพี้ยน
Mistral OCR 4 — แรงกว่าในบางสนาม แต่เลือก “ปิดเวต”
ฝั่งตรงข้ามของสเปกตรัมคือ Mistral OCR 4 (ออก 23 มิ.ย. 2026) ทำคะแนน OlmOCRBench สูงสุด 85.20 ในกลุ่มที่เทียบ คืนผลแบบ structured ครบ (bounding box, จำแนกบล็อกหัวข้อ/ตาราง/สมการ/ลายเซ็น, คะแนนความมั่นใจราย inline) และที่สำคัญสำหรับเรา — รองรับ 170 ภาษา รวมกลุ่มเอเชียตะวันออกเฉียงใต้ แต่จุดต่างที่ต้องเน้นคือ มันไม่ใช่โอเพนเวต: ใช้ได้ผ่าน API เท่านั้น (Mistral Studio, Amazon SageMaker, Microsoft Foundry) ราคา $4 ต่อ 1,000 หน้า (Batch API $2) ส่วนการ self-host แบบ single-container ต้องติดต่อฝ่ายขาย — เปิดให้บางองค์กรเท่านั้น
| PP-OCRv6 | Unlimited OCR | Mistral OCR 4 | |
|---|---|---|---|
| เปิดเวต? | ✅ (HF) | ✅ MIT | ❌ API เท่านั้น |
| จุดเด่น | จิ๋ว 1.5–34.5M, ONNX | อ่านยาว 40+ หน้ารวดเดียว | structured + 170 ภาษา |
| รันบนเครื่องตัวเอง | ได้ (CPU/edge) | ได้ | ต้องดีลฝ่ายขาย |
| ภาษาไทย | ยังไม่อยู่ในลิสต์ | ตรวจกับข้อมูลจริง | อยู่ในกลุ่ม SEA |
มุมมอง AI Curator
OCR เป็นงานที่ “ไม่เซ็กซี่” แต่เป็นจุดที่มูลค่าจริงเกิดขึ้นกับธุรกิจไทยจำนวนมาก — ธนาคาร ประกัน ราชการ บัญชี โลจิสติกส์ ล้วนจมอยู่กับ PDF และเอกสารสแกน การที่สัปดาห์เดียวมีโมเดลอ่านเอกสาร เปิดเวตขนาดจิ๋ว ออกมาพร้อมกับตัวที่ อ่านยาวได้ทั้งเล่ม แปลว่าต้นทุนของการทำ “document pipeline” บนเครื่องตัวเอง (ไม่ต้องส่งเอกสารลับขึ้นคลาวด์ต่างชาติ) กำลังลดลงเร็วมาก สำหรับองค์กรไทยที่ติดเงื่อนไข PDPA หรือไม่อยากให้สัญญา/ข้อมูลลูกค้าวิ่งออกนอกประเทศ ตัวเลือกโอเพนเวตที่รันใน on-prem ได้คือของจริงที่จับต้องได้กว่าข่าวโมเดล frontier หลายเท่า
แต่บทเรียนสำคัญคือ อย่าเลือกด้วยคะแนน benchmark อย่างเดียว สามตัวนี้เล่าเรื่อง trade-off ชัด: PP-OCRv6 เล็กและฟรีแต่ยังไม่รองรับไทยในลิสต์, Unlimited OCR เก่งเอกสารยาวและ MIT แต่ต้องลองกับข้อมูลจริง, ส่วน Mistral OCR 4 แรงและครอบคลุมภาษามากสุดแต่ปิดเวต+คิดเงินรายหน้า สิ่งที่ทีมไทยควรทำคือ เอาเอกสารจริงของตัวเอง 20–50 หน้า (ภาษาไทยปนอังกฤษ ตาราง ลายมือ ตราประทับ) มาเทสต์ทั้งสามตัว แล้ววัดทั้งความแม่น ความเร็ว ต้นทุนต่อหน้า และเงื่อนไขข้อมูล — เพราะ “ตัวที่ชนะ leaderboard” กับ “ตัวที่อ่านใบกำกับภาษีไทยของคุณได้ถูก” มักไม่ใช่ตัวเดียวกัน
แหล่งข่าว:
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service