LightOnOCR-3 0.8Bはログイン済みブラウザーを操作できません。OCR・文書読取モデルです。ローカル保存した画面キャプチャやPDFページに使い、抽出した文字をTabbit CLIを実行できる別のローカルエージェントへ渡します。そのエージェントがログイン済みページを確認し、レビュー用の下書きを作成できます。モデルカードは文字起こしと領域指定を説明していますが、ブラウザーツールはありません。RedditのOCR課題は人の確認が必要な理由を示しています。取り消し線を見落としたり表を崩したりすることがあります。モデルカード · OCR課題 · Hacker Newsの議論
要点
画像を入力して文字を返します。閲覧、ログイン、手順計画、Tabbit CLI呼び出しはしません。
モデルカードにはページ文字起こしと、ラベル付き領域を返すgroundingモードがあります。どちらも抽出であり、操作許可ではありません。
ローカル保存した画像またはPDFページを使います。OCRにサイトを開かせません。
Tabbitスキルを持つCodexなど別のローカルエージェントが、抽出文字と実ページを照合できます。
ID、日付、金額、表順、取り消し線、低画質スキャンは人が確認します。
各ツールの役割を決める
| コンポーネント | 適した作業 | 対象外 |
|---|---|---|
| LightOnOCR-3 0.8B | ローカル画像の文字や位置情報を抽出。 | 閲覧、認証、レコード選択、クリック。 |
| 人またはローカルエージェント | ファイル選択、誤認識の修正、対象レコードの判断。 | OCRをサイトの検証済み情報として扱う。 |
| ローカルエージェントのTabbit CLI | ログイン済みプロファイルを開き、ページを読み、下書きを準備。 | 未確認の変更を保存・送信。 |
モデルカードによるとApache 2.0で、0.8Bは最小版です。Transformersのimage-text-to-text例を掲載しています。空のpromptではMarkdown文字列、groundingではラベルと枠が返ります。使用中のTransformers版とハードウェアを確認してください。モデルカードと例 · OCRリポジトリ
保存した画像を読み取る
画面キャプチャを保存するか、PDFの1ページを画像化します。処理許可のあるファイルか確認し、Transformersの例に従ってローカル実行します。出力を別ファイルにし、画像と並べて比較します。
添付したローカル画像だけを読み取ります。見えない文字は推測しません。
見えるレコードID、日付、状態、金額、表の行ラベルを返します。
順序を保ち、不確かな文字は[不明]、欠落項目は[表示なし]にします。
取り消し線がある場合は、取消前と置換後の文字を両方示します。
可能なら各項目の領域または枠も示します。
Web閲覧、ツール利用、ログイン、ブラウザー操作の提案はしません。結果は不確実な箇所を示す文字起こしです。正確さの証明ではありません。RedditではOCRツールが取り消し線や表を誤ったとの報告があり、Hacker Newsでも幻覚や欠落が指摘されています。LightOnOCR-3の評価ではありませんが、人手確認の根拠になります。Reddit · Hacker News
結果をTabbit対応のローカルエージェントへ渡す
同じレコードをTabbitで開き、自分でログインします。Codexでは/skillsからtabbitを確認します。スキル選択はローカルコマンド権限とは別です。CLI設定ガイドに従い、ランチャーが対象インスタンスにつながるか確認します。Piは/skill:tabbit、OpenCodeは@tabbitです。Codex設定 · Pi Skills · OpenCode Skills
OCRを事実ではなく手掛かりとして渡します。
Tabbitスキルを使い、ログイン済みの[承認済みサイト]を開き、OCRの記録[ID]だけを確認します。
OCRは未検証です。各項目をページ表示と照合します。
編集、保存、送信、承認、確定はしません。
正確なID、日付、状態、金額、URLを返し、OCRとの差を示します。
「OCR照合 — [日付]」という下書きを作り、比較と不明点を記載します。
保存や送信の前に停止し、下書きとページを見せます。最終表にはOCR値、ページ値、一致・不一致を記載します。IDが違う場合、似たレコードを開きません。最初のタスクの確認表とログイン再利用ガイドを見てください。セッションは切れることがあります。既存ブラウザー接続にプロファイル境界の説明があります。
実行前の確認
| 項目 | 比較 | 手動確認が必要な場合 |
|---|---|---|
| レコードID | URLと見出しを一文字ずつ確認。 | 類似文字や欠落がある。 |
| 日付と金額 | 句読点、通貨、取り消し線を確認。 | 低コントラスト、または判断に影響。 |
| 表の順序 | 行ラベルと値が同じ行か確認。 | 列結合、回転、区切り不明。 |
| 下書き | 各文が実ページに結びつく。 | OCRだけに由来する値がある。 |
LightOnOCR-3 0.8Bはローカル画像の文字起こしに向き、その後は人または別エージェントが実サイトを確認します。ブラウザー計画やクリックには使いません。画像からOCR、文字を人またはローカルエージェントへ、その後Tabbitで読み取り確認という手順を守ります。ブラウザーエージェント、CLIとMCP、CLIガイドを参照してください。タスクの分離については、プロファイル、ワークスペース、タブグループを参照してください。
よくある質問
LightOnOCR-3 0.8Bはブラウザーを操作できますか？
できません。画像から文字を抽出しますが、閲覧、ログイン、計画、Tabbit CLI呼び出しはしません。
OCR結果をTabbitに渡す方法は？
別のローカルエージェントに手掛かりとして渡し、実ページと照合して下書きを作らせます。
OCRの文字は検証済みデータですか？
いいえ。ID、日付、金額、表順、不明文字を原画像と実ページで確認します。
OCRモデルからTabbitスキルを呼び出せますか？
その統合は確認されていません。ユーザーか別のローカルエージェントが引き継ぎます。
安全な最初の作業は？
ローカル画像を1枚読み、Tabbitで一致するレコードを変更せず確認します。