定義
DocVQAとは、スキャンした請求書や契約書などの文書画像に対して質問応答を行わせ、AIモデルの文書理解力・OCR精度を測定するベンチマークのこと。
DocVQA (文書理解ベンチ)とは（詳しく解説）
DocVQAは、請求書・契約書・申請書などレイアウトが複雑な文書画像に対して質問を投げかけ、AIモデルが正しく回答できるかを測定するベンチマークとして業界標準的に用いられている。単純なOCR精度だけでなく、表組みやレイアウト構造を踏まえた読解力を評価できる点が特徴とされる。もっとも、ベンチマークのスコアが高くても実運用では手書き文字や低解像度スキャン、複数言語混在の文書で精度が落ちるケースがあるとされ、現場導入前にはPoCで自社文書に近いサンプルを使った検証が欠かせない。2026年時点では主要マルチモーダルLLMがいずれも高いDocVQAスコアを公表しているが、スコアの前提条件(言語・文書の種類)が異なるため単純比較は注意が必要とされる。コスト面では、API呼び出し課金の従量制が主流で、大量文書を処理する場合は月額の相場感を事前に見積もったうえでモデル選定を行うのが望ましいとされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「DocVQA (文書理解ベンチ)とは」 https://aipicks.jp/glossary/docvqa
DocVQA (文書理解ベンチ)の使用例
- プロンプト例：請求書画像を読み込ませ「合計金額と支払期限を抽出して」と質問し、フォーマット非依存の抽出精度を評価する。
- 活用例：複数モデルのDocVQAスコアを比較し、手書き文字を含む申請書PDFの自動読み取り精度が業務要件を満たすか現場でPoC検証する。
