オプティスクライブ性能検証とモデル比較
フォートトークアプリ Ver0.99.036 搭載の『オプティスクライブ』は、AIと視覚モデルによりPDFの内容を高精度でMarkdown形式に変換する最新OCR機能です。文書作業の効率化と情報共有の迅速化を支援します。
検証対象PDFについて
苫米地博士の論文『MONA-LISA: Multimodal Ontological Neural Architecture for Linguistic Interactions and Scalable Adaptations』（1991年）を用いて検証を実施しました。このPDFは画像スキャン形式で文字情報がなく、OCRの難易度が高いものです。元論文PDFはこちら
また、苫米地博士の論文『MONA-LISA』は原文が英語のため、日本語の会話形式で音声化したファイルもご用意いたしました。博士の先進的な研究を、より身近に感じていただければ幸いです。
検証に使用したAIモデル
- Gemini 2.0 Flash
- Gemini 2.0 Flash Thinking Exp
- OpenAI GPT 4.5
- OpenAI o1
- Claude 3.5 sonnet
- Claude 3.7 sonnet
精度比較結果
以下のモデルが特に高精度で、Markdownへの変換に優れていました。- Gemini 2.0 Flash
- OpenAI GPT 4.5
- OpenAI o1
モデル料金比較
| モデル名 | 入力料金 (100万トークン) |
出力料金 (100万トークン) |
総合料金 (入力:出力=1:3) |
|---|---|---|---|
| Gemini 2.0 Flash | $0.10 | $0.40 | $0.325（基準） |
| OpenAI o1 | $15.00（150倍） | $60.00（150倍） | $48.75（約150倍） |
| OpenAI GPT 4.5 | $75.00（750倍） | $150.00（375倍） | $131.25（約404倍） |