Docling

REVISION_ID: EA-214-GAP-FIRST-20261004 REVISION_KIND: FIRST_FORMAL_RESEARCH_AFTER_LOCATION_ONLY_RECORD EVIDENCE_AS_OF: 2026-10-04 JST OWNER: Work gap recovery

EA_MASTER行215、退避Doc 1Vd0BP7G2UyPDRQs_-8dPvTgQ78Tk6kcVGuMJjqNdr84 tab t.0 1324–1794を直接取得。NOT_REVIEWED/LUNA_PRESEARCH_NOT_LOCATEDと次EAへ進む記録であり、正式研究本文ではない。EA-213と同じRUN全体が索引され、ARTIFACT_TITLEもUnstructuredの文章を共有していた。これをDocling固有研究の存在証明にしない。ユーザーの欠落解消指示により初回正式調査を実施する。旧成果の不存在は未確定。DriveとLibraryのID検索も非網羅的。

対象はDoclingの構造変換、exportの保持境界、ローカル/OCR/model通信、評価設計。VLM、docling-serve、全新形式の個別性能は対象外。無条件の高精度、全表保持、完全offlineの主張はしない。

すべて2026-10-04に原ページを取得。docs/mainは可変。v2.133.0はrelease観測であり本RUNの実行versionではない。

• Doclingは複数形式の内容をDoclingDocumentへ統合して各形式へexportする。JSONを正本、Markdownを閲覧・RAG向けprojectionとする設計は可能だが組織側の選択である。[D1, D2]
• JSONのlosslessは変換後の内部表現に対するもの。parserが取り落とした文字・表や誤ったreading orderが正しく戻るという意味ではない。[D2, D5]
• 既定モデル取得とremote推論許可を区別する。enable_remote_servicesの無効化だけでweights取得を含む通信全体が止まるとは言えない。[D3]
• table cell matchingを変更する選択肢は、列結合等への対応手段。ACCURATEというmode名をすべての業務表の正解保証として扱わない。[D3, D5]
• code MITは個別modelの利用条件まで包含しない。[D1]
• 最新release観測と実行pinは別。readmeの新機能やcurrent docsのoptionが旧実行版に存在すると仮定しない。[D1, D6]

DOCLING_CONVERSION_RECORD_V1を運用受入schemaとして提案する。source/input/output hash、format、page_count、package/docling-core/docling-parse/Python/backend、model IDs/revisions/hashes/license、OCR engine/languages、do_table_structure/do_cell_matching/TableFormer mode、remoteサービス承認、prefetch証跡、warnings/status、native JSON locator、exporter/options、page/bbox/charspan、table cells/spans、ACL/tenantを記録する。Doclingの正式API schemaではない。

元素材→固定環境でDoclingDocument→native JSON保存→goldenと来歴gate→Markdown/HTML projection→ACL付きindex。exportだけを保存すると内部構造や来歴が失われる可能性があるため、正本とprojectionを明記する。空出力、partial conversion、failed pageは成功扱いを禁止する。モデル等の更新時は同じgolden corpusで差分評価する。

formのkey/value順序、複数段、merged cell、nested/multi-page table、hyphenation、画像中数字、縦書き、数式、ページ抜け、charspan不整合、暗号化/壊れたPDF、resource exhaustion、初回モデルdownload、remote VLM、exportの情報落ち。D5は報告者の特定version観測で未再現。本RUNは修正済み/未修正の現行判定をしない。作者論文は独立本番benchmarkではなく、全社素材の精度保証には使わない。

実Docling/OCR/modelは本RUNでは未実行。現物PDFの性能、layout・reading-order精度、最新APIの動作はUNKNOWN。合成record受入gateだけを実行し、product benchmarkと区別する。 fixtureはborn-digital/scan/mixed、form key-value、二段、結合・nested・複数ページ表、日英・縦書き、Office/画像、empty/encrypted/oversizedを層別に用意。goldenの文字・セル・span・順序edge・ページ来歴を人が確定。text accuracy、table cell/span precision/recall、reading-order edge違反、page coverage、引用元正しさ、数値値一致、latency/RSS、network attemptsを測る。Markdownの可読性と内部JSON保持率を別評価し、組織の閾値を先に固定する。 添付gate_fixture.pyは空出力、source差替え、ACL混在、順序反転、数値セル変更、来歴欠落、未承認通信、未固定version、未記録fallbackを合成入力で拒否する。Docling標準validatorやtable modelの測定ではない。

解析processの低権限化、CPU/RSS/ページ/時間上限、モデルprefetchとhash・license確認、egress firewallと送信許可の分離を行う。原文・native JSON・projectionへのアクセスを揃える。外部引用URLや文書内命令を信頼済みtool instructionとしない。本文ログを最小化し、hash・locatorで監査する。モデル・backend・exporter更新は回帰対象とする。

DoclingはPDF、Office、画像等を共通構造へ変換し、Markdown・HTML・JSON等へ出力する。表・読み順・OCRの品質は素材と設定に依存するため、元素材との照合を行う。内部表現のJSON保存は変換後の構造を保持する手段であり、原文の完全復元や正確性の保証ではない。offline運用にはモデル準備と通信制御を別途確認する。

旧Luna成果locator、組織素材の実測精度、採用packageと依存/model pin、ライセンス適合、モデル供給の永続性、remote契約、組織の受入閾値、production SLAはUNKNOWN。今回のbounded research gateは主張を資料で裏付け、反証と未実測を明示し、全文candidate・保存readbackを成立させた時点まで。独立監査と本番採用は別判断。

EA-213のETL共通gate、EA-215の専用API、EA-216のOCR比較へ関連付ける。content/staging/EA-214.mdの全文をPATH_GUARDED createで提出。監査はD2のlossless範囲、D3の通信境界、D5のversion範囲、実parser未実行の明示、manifest/payload/readback一致を確認する。承認時だけREADYを作成する。