NVIDIA Nemotronベースで独自の日本語追加学習を施したVLMモデル

　ストックマークは、NVIDIAのオープンソースAIモデル「Nemotron-3-Nano-Omni」をベースに、独自の強化学習を施すことで日本語の複雑なビジネス文書を正確に読解・構造化出力可能にしたVLM（Vision Language Model：視覚言語モデル）「Stockmark-Nemotron-3-Nano-Omni-JapanDocReader」を開発した。同時に、同モデルを商用利用可能なオープンソースモデルとして、一般公開した。

　PDFや社内資料、決算書、技術論文といった「図表や複雑なレイアウトを含むビジネス文書」を生成AIで自動処理することは、AIにおける重要な案件の一つだが、テキスト中心の生成AIでは全てを任せる点において対応が難しい側面があった。

　今回、NVIDIAと連携することで、ストックマークの持つ「日本語ビジネス文書の解析技術」および「独自VLM開発の学習ノウハウ」を、NVIDIAのAIアーキテクチャやオープンモデルと掛け合わせることで、ビジネスドキュメントの利活用を現実的なものとした。

　ストックマークの保有する日本語のビジネス文書データと、VLM開発で培った学習ノウハウ（mix-SFTや強化学習など）を駆使し、複雑な日本語文書読解とデータ構造化に特化させるための追加学習を実施。「NVIDIA Nemotron-Personas-Japan」データセットと、「日本語文書データの自動合成パイプライン」を連携させ、「多段階の推論を必要とする読解データ」および「複雑なレイアウトを解析するためのデータ」の合計約12万件におよぶ多様な合成データを生成し、学習に活用した。