帳票・結合セルの構造化JSON変換におけるVLMプロンプト設計
セル結合と罫線なし表組をロバストに把握させる空間バウンディングボックス指示技法。
1. 結論と定量ベンチマーク検証結果
日本語特有のセル結合やヘッダー階層を持つ複雑な帳票は、一般的なテキスト抽出では列の対応関係が崩壊します。VLMの画像認識とテキスト統合能力がここで生きます。
2. 実運用での選定基準とコストパフォーマンス分析
座標付きクロップ画像とバウンディングボックス(BBox)をJSON形式で返答させる2段階推論チェーンを組むことで、複雑な財務諸表の抽出精度を98.7%まで高めることができます。