（最終更新日: 2026年01月04日）
「クラウドOCRの従量課金が重荷になっている」「機密性の高い文書を外部サーバーに送るのは不安……」そんな悩みをお持ちではありませんか？
2026年、Ollamaと最新の視覚言語モデル（VLM）の登場により、ついに完全無料でセキュアな「ローカルOCR」が実用レベルに到達しました。
本記事では、ITエンジニアや開発者の方に向けて、DeepSeekやLlama 3.2 Vision、IBM Graniteといった最新モデルの選定から、Pythonによる自動化、JSON構造化データの抽出までを徹底解説します。
この記事を読み終える頃には、あなたのPCが、プライバシーを守りつつ高速に文字を読み取る最強の環境へと生まれ変わっているはずです。
もう他の情報を探し回る必要はありません。AIツールの比較に精通した当サイトが、ローカルOCR構築のすべてをステップバイステップでお伝えします！
従来のOCRとは何が違うのか？VLM（視覚言語モデル）による革新的な画像理解
当セクションでは、VLM（視覚言語モデル）が従来のOCR技術とどのように異なり、ドキュメント処理にどのような革新をもたらすのかを詳しく解説します。
2026年現在、単なる「文字のデータ化」から「ドキュメントの意味理解」へと技術のパラダイムシフトが起きており、その本質を知ることが最適な環境構築の第一歩となるためです。
- Tesseract OCR等の従来技術との決定的差異
- 視覚的ドキュメント理解（VDU）の仕組み
- ローカルLLM環境としてOllamaが選ばれる理由
Tesseract OCR等の従来技術との決定的差異
従来のOCRが画像パターンから文字を特定するのに対し、VLMは言語モデルとしての知能を活かして文字の意味や文脈を解釈します。
Tesseractなどの従来型はピクセル単位の形状一致を重視しますが、VLMは画像全体をトークン化して処理するため、かすれた文字も周囲の語順から推測可能です。
2026年の企業向けレポートによれば、この推論能力こそが非構造化データからのインサイト抽出を可能にする鍵とされています（参考: AI OCRツール徹底比較）。
以下の表に示す通り、手書き文字や複雑なレイアウトへの対応力において、VLMは従来技術を大きく凌駕しています。
| 比較項目 | 従来型OCR（Tesseract等） | VLM（Llama 3.2 Vision等） |
|---|---|---|
| 基本アプローチ | 画像処理（パターンマッチング） | 文脈理解・推論 |
| 設定の柔軟性 | 座標指定やテンプレートが必須 | 自然言語による指示が可能 |
| 手書き・ノイズ | 誤認識しやすく脆弱 | 文脈から補正し、非常に強い |
| 出力形式 | プレーンテキストが主流 | JSON、Markdown等に直接構造化 |
文字情報の抽出に留まらず、人間のように内容を読み解ける点が次世代OCRの核心といえます。
視覚的ドキュメント理解（VDU）の仕組み
視覚的ドキュメント理解（VDU）は、画像を特殊な形式に変換してLLMに読み込ませることで、直感的な自然言語での指示を可能にします。
Vision Encoderが画像を「視覚トークン」へとエンコードし、これをテキストデータと同様にLLMが処理することで、画像内の位置関係や論理構造を把握できる仕組みです。
下記の図が示すように、画像入力から構造化されたJSON出力までのプロセスがシームレスに統合されています。
座標を手動で設定する従来のテンプレート方式とは異なり、「右上の日付を抽出して」といった曖昧なプロンプトでも正確に動作するのが特徴です。
この革新的なフローにより、専門知識のない業務担当者でもドラッグ＆ドロップ感覚で高度なデータ抽出を行えるようになります。
ローカルLLM環境としてOllamaが選ばれる理由
Ollamaが多くの企業に選ばれる背景には、モデル管理からAPI提供までを単一の軽量な実行環境で完結できる圧倒的な利便性があります。
2025年後半に導入された「構造化出力機能」により、OCR結果を型定義されたJSON形式で確実に取得できるようになったことが、RPA等のシステム連携における信頼性を決定づけました。
DeepSeek-OCR（3B）のような軽量モデルであれば、高価なサーバーを介さずとも、普段利用しているPCのエッジ環境で即座に運用を開始できます。
業務効率化をさらに加速させたい場合は、生成AI 最速仕事術で紹介されているような「プロンプトの型」を組み合わせて活用するのが近道です。
高度なVLMをプライバシーが守られたローカル環境で自在に扱えるOllamaは、現代のドキュメント処理基盤として最も合理的な選択肢となります。
OllamaによるOCR環境の構築手順：インストールから最新モデルの導入まで
当セクションでは、Ollamaを使用したOCR環境の具体的な構築ステップを詳しく解説します。
2025年以降のメジャーアップデートにより、デスクトップアプリによるGUI操作が可能になるなど、導入のハードルは劇的に低下しており、その最新手順を把握することが運用の効率化に直結するからです。
- OS別：Ollamaデスクトップアプリのセットアップ
- 主要VLMモデルのプル（ダウンロード）と初期動作確認
- ハードウェア要件とGPUアクセラレーションの設定
OS別：Ollamaデスクトップアプリのセットアップ
直感的な操作が可能なデスクトップアプリを利用することで、エンジニア以外の職種でも迅速にOCR環境を整えられます。
2025年7月のリリース以降、GUIベースのインターフェースが成熟し、PDFや画像をドラッグ＆ドロップするだけでAI処理が可能になりました（参考: Ollama Blog）。
具体的な導入は公式サイト（ollama.com）からインストーラーを取得するだけで完了し、Linux環境では専用のワンライナーコマンドも利用できます。
curl -fsSL https://ollama.com/install.sh | sh社内の「AIの民主化」を加速させるこのツールを導入すれば、機密情報を外部に送ることなく高度な文字認識を誰でも実行可能です。
さらに詳しいローカル実行の手法については、ローカル環境でAIを実行するベストな方法も併せてご覧ください。
主要VLMモデルのプル（ダウンロード）と初期動作確認
構築した環境で高度な文字認識を実現するには、目的に合致した視覚言語モデル（VLM）をローカルに取得する必要があります。
OllamaのライブラブラリにはDeepSeek-OCRやLlama 3.2 Visionといった、OCRに特化しつつ軽量なモデルが豊富に揃っています。
ターミナルで ollama pull deepseek-ocr を実行するだけで、高精度な解析能力を持つ3Bクラスのモデルが即座にセットアップされます。
取得後はコマンドライン上に画像を直接ドラッグ＆ドロップすれば、かすれたドキュメントも文脈を読み取って推論し、正確にテキスト化してくれます。
モデルの準備が整うことで、オフライン環境であっても最新のAIテクノロジーを業務に即投入できる基盤が完成します。
ハードウェア要件とGPUアクセラレーションの設定
ローカル環境で遅延なくOCR処理を回すためには、使用するモデルの規模に応じた適切なハードウェア選定が極めて重要です。
VLMは画像データを処理する過程で多くのビデオメモリを消費するため、VRAMの容量不足は動作停止の大きな要因となります。
例えば、3Bクラスのモデルであれば4〜6GBのVRAMで動作しますが、11Bクラスを快適に動かすには12GB以上の搭載を推奨します（参考: Ollama GitHub）。
| モデルクラス | 推奨VRAM容量 | 対応ハードウェア例 |
|---|---|---|
| 3B（軽量） | 4GB – 6GB | RTX 3060, Apple M1/M2 |
| 8B – 11B（標準） | 12GB – 16GB | RTX 4070 Ti 以上 |
| 90B（大規模） | 80GB以上 | H100 または Ollama Turbo利用 |
私は過去にVRAM不足でモデルが起動しないという苦い失敗を経験しましたが、GPUへの優先割り当てや共有メモリ設定の見直しによって解決しました。
ハードウェアを最適化し、業務効率を劇的に高める秘訣は生成AI 最速仕事術でも詳しく解説されています。
お使いのPCスペックに合わせたモデル選定を行うことが、安定したOCR運用を継続するための鍵を握ります。
【2026年版】OCRモデル選定マトリクス：DeepSeek、Llama、IBM Graniteの比較
このセクションでは、2026年現在のAI-OCR市場で主流となっている主要な視覚言語モデル（VLM）の特性と、それらを使い分けるための具体的な選定基準を詳しく解説します。
OCR技術が単なる文字認識から「文脈理解」へと劇的に進化した現在、各モデルのライセンス、得意とするドキュメント形式、そして処理コストの差異を正確に把握することが、業務自動化の成功に直結するためです。
- DeepSeek-OCR (3B)：大量・高速処理の決定版
- IBM Granite 3.2 Vision：エンタープライズ向けの安全性
- MiniCPM-V 2.6：図面や高精細スキャンへの対応
まず、各モデルの主要なスペックとユースケースを整理した比較表を以下に示します。
| 項目 | DeepSeek-OCR (3B) | IBM Granite 3.2 Vision | MiniCPM-V 2.6 |
|---|---|---|---|
| 主な用途 | 大量帳票・バッチ処理 | 社内システム・法務文書 | 精密図面・高解像度画像 |
| ライセンス | MIT | Apache 2.0 | Community License |
| パラメータ数 | 3B | 2B / 8B | 8B |
| 特筆機能 | Markdown変換・図版パース | チャート・表の理解 | 180万ピクセルの高解像度 |
（出所：Ollama Library 2026）
DeepSeek-OCR (3B)：大量・高速処理の決定版
DeepSeek-OCRは、圧倒的なトークン効率と軽量設計を両立させた、大量ドキュメント処理における最適解と言えるモデルです。
わずか30億パラメータ（3B）でありながら、独自の「Optical Compression（光学的圧縮）」技術を採用することで、高解像度の画像を極めて少ない計算リソースで処理できるのが最大の特徴です（参考: Ollama – DeepSeek-OCR）。
例えば、数千枚の定型帳票をMarkdown形式へ変換してデータベース化するようなバッチ処理において、他の大規模モデルを凌駕するスループットを発揮し、インフラコストを最小限に抑えます。
MITライセンスという非常に自由度の高い条件で提供されているため、商用製品への組み込みや社内サーバーでの運用も法的リスクを気にせず進められる点が強力な武器となります。
スピードとコストパフォーマンスを最優先し、定型的なドキュメントを「知識資産」へと変える現場において、これ以上の選択肢はないと言っても過言ではありません。
なお、具体的な導入手順についてはOllamaの基本的な使い方の記事もあわせて参照してください。
IBM Granite 3.2 Vision：エンタープライズ向けの安全性
IBM Granite 3.2 Visionは、企業のコンプライアンス要件と実務的なドキュメント理解を両立させるための「最も安全な選択肢」として設計されています。
完全オープンなApache 2.0ライセンスで公開されていることに加え、IBMはモデルの学習データにおける透明性を徹底しており、著作権侵害などのリスクを極限まで排除したい大企業にとって理想的な基盤となります（参考: IBM Newsroom）。
実際の業務ドキュメントに含まれる複雑な表組みやビジネスチャートの理解に特化した学習が行われており、数字一つが命取りになる決算書や契約書のデータ化において高い信頼性を発揮します。
Qualcommとの提携によりSnapdragon Xシリーズを搭載した業務用PCでの動作も最適化されており、インターネットに接続できない極めて秘匿性の高い現場での「オフラインOCR」を可能にします。
法的安全性と、表やグラフといった非構造化データからのインサイト抽出を両立させたいDX推進担当者にとって、これほど頼もしいパートナーは他にありません。
MiniCPM-V 2.6：図面や高精細スキャンへの対応
MiniCPM-V 2.6は、文字が密集した契約書の約款や、精密さが求められる産業用図面などを「劣化なし」で読み取りたい場合の決定打となります。
80億パラメータというサイズながら、最大180万ピクセルの画像をリサイズによる情報の欠落なしに処理できる能力は、これまでの小型モデルが抱えていた「文字潰れ」の課題を完全に解決しました（参考: Ollama – MiniCPM-V）。
レシートやマニュアルの小さな注釈、あるいは細い線が多用されるエンジニアリング資料において、この高解像度対応はGPT-4Vクラスの商用モデルに匹敵する精度をローカル環境でもたらします。
多言語対応も非常に強力であり、日本語だけでなく英語、ドイツ語、フランス語などが混在するグローバルな技術文書のOCRタスクにおいても、一貫した正確さを維持します。
精度の妥協が許されない高精細スキャンデータの処理において、このモデルはまさに「最後の砦」として機能し、確実なデータ化を実現してくれるでしょう。
こうした高度なAIモデルをローカル環境でAIを実行する手法で活用すれば、機密性の高い図面データも外部に流出させることなく処理が可能です。
会議やインタビュー、日々の音声情報をAIで正確にデータ化したい方は、最新のAI文字起こしツールも検討の価値があります。
実践！PythonとOllama APIを活用したOCR自動化とJSON構造化出力
当セクションでは、PythonとOllama APIを組み合わせたOCRの自動化プロセスと、実務に耐えうるJSON形式での構造化出力について具体的に解説します。
なぜなら、ローカルLLMを単体で動かすだけでなく、プログラミングによる自動化を組み込むことで、初めて企業の既存ワークフローにAI-OCRを真に統合できるからです。
- ollama-pythonライブラリによる基本スクリプトの実装
- 構造化出力（Structured Outputs）によるJSONデータ化
- Web検索APIとの統合によるOCR結果の補完（2025年新機能）
ollama-pythonライブラリによる基本スクリプトの実装
公式のollama-pythonライブラリを活用することで、開発者は独自のシステムへ文字認識機能を最小限の工数で統合できるようになります。
これは複雑なHTTPリクエストの処理をライブラリが抽象化しており、かつローカル環境での推論パラメータを柔軟に操作できるためです。
実装の際は、モデルが文字を「でっち上げる」ハルシネーションを最小化するために、温度設定（temperature）を0.1などの極めて低い値に固定することが推奨されます。
具体的なコード構成については、画像ファイルをBase64エンコードしてAPIへ渡すとともに、例外処理を組み込んでネットワークエラーやリソース不足に備えるのがプロフェッショナルの定石です（参考: Ollama’s documentation）。
Pythonでの開発に慣れていない方は、まずOpenAI APIの使い方をPythonで完全解説した記事で基礎を学ぶとスムーズに進められます。
堅牢な自動化スクリプトのテンプレートを用意しておくことで、大量のドキュメントをバッチ処理する際の安定性が劇的に向上するでしょう。
また、こうした自動化のノウハウを体系的に学びたい方には、生成AI 最速仕事術などの書籍も役立ちます。
import ollama
def run_ocr(image_path):
try:
with open(image_path, 'rb') as f:
response = ollama.chat(
model='llama3.2-vision',
messages=[{
'role': 'user',
'content': 'Extract text from this image.',
'images': [f.read()]
}],
options={'temperature': 0.1}
)
return response['message']['content']
except Exception as e:
return f"Error: {str(e)}"構造化出力（Structured Outputs）によるJSONデータ化
VLMが抽出した情報を特定のJSONスキーマに従わせる手法は、後続のRPAやデータベース連携においてトラブルを未然に防ぐための最良の手段です。
2024年末にOllamaへ導入された構造化出力機能を利用すれば、AIが生成する回答のフォーマットをプログラムが理解できる形式に厳密に固定できます。
例えば請求書の読み取りにおいて、「請求書番号」「日付」「合計金額」といったキーをあらかじめ定義し、型が一致しない出力をモデルに許さない設定を施します。
これにより、従来のOCRで頻発した「AIが余計な解説文を添えてしまいパースエラーになる」という致命的な課題を完全に解決することが可能となりました。
企業のDX現場では、このJSONモードによる型定義の強制こそが、人手を介さない完全自動化システムを実現する上での必須条件となります。
既存のツールとの比較については、【2025年最新】AI OCRツール徹底比較の記事が参考になるでしょう。
Web検索APIとの統合によるOCR結果の補完（2025年新機能）
OCRで読み取った不鮮明な情報をリアルタイムに外部のWeb検索APIで補完するテクニックは、情報の信頼性を担保する最新のアプローチです。
2025年9月にリリースされたOllamaのWeb検索機能を使えば、かすれて判別が難しい企業名や店舗名を、住所や電話番号の一部から自動で推測し補完できます。
具体的には、OCRの信頼度スコアが低い単語を抽出して検索クエリを生成し、ヒットした検索結果から正式名称を再取得してデータを書き換えるフローを構築します。
このワークフローによって、スキャン精度の限界による誤認識をAIが自己修正できるようになり、データのクレンジング作業を大幅に短縮できるのが利点です。
ローカル環境での推論と動的なWeb検索の統合は、2026年以降のエンタープライズAI-OCRにおける標準的な構成となっていくに違いありません。
こうした最新のAIスキルを身につけてキャリアをアップデートしたい方は、AI CONNECTのようなリスキリング支援を活用するのも一つの手です。
企業の導入戦略：Ollama Turboによるコスト削減とROI最大化
当セクションでは、企業がOllamaを導入する際の戦略的なコスト管理と投資対効果（ROI）の最大化について詳しく説明します。
なぜなら、ローカルAIの導入は単なる技術的な試みではなく、運用フェーズにおける柔軟なリソース配分と、法的な安全性を担保したガバナンス体制が企業の長期的な競争力を左右するからです。
- ハイブリッドクラウド戦略：Ollama Turboの活用法
- 階層型処理アーキテクチャの設計
- 法的注意点とライセンスの管理
ハイブリッドクラウド戦略：Ollama Turboの活用法
機密性の高いドキュメントはオンプレミスで処理し、膨大な推論が必要なタスクのみをクラウドへ逃がすハイブリッド運用が企業の新たなスタンダードになりつつあります。
2025年8月に登場したOllama Turboは、既存のローカルAPIと完全な互換性を保ちながら、データ保持なしを明言する「ゼロ・データリテンション」ポリシーという強力なセキュリティ体制を掲げています。
月額20ドルの基本プランで最新の超巨大モデルを従量課金なしで利用できるため、自前で高価なH100 GPUを調達するよりも、特に初期フェーズにおけるコストを劇的に抑えることが可能です。
以下の比較表が示す通り、小中規模のバッチ処理であればクラウドオフロードを組み合わせることで、自社サーバー構築と比較しても圧倒的なROIを叩き出します。
| 比較項目 | クラウドAPI (GPT-4o) | Ollama ローカル運用 | Ollama Turbo (ハイブリッド) |
|---|---|---|---|
| 初期費用 (CAPEX) | $0 | 約$3,500 | $0 |
| 月額運用コスト | 約$2,500 – $5,000 | 約$20 | $20 + 超過分 |
| データプライバシー | 外部送信必須 | 完全社内完結 | 送信必要（保持なし） |
（出所: Skywork ai）
プライバシー保護と高負荷処理を天秤にかけることなく、状況に応じてリソースを伸縮させる柔軟性こそが、現代のAI-OCR導入における最適解といえるでしょう。
階層型処理アーキテクチャの設計
全てのドキュメントを最高性能のAIで一律に処理するのではなく、タスクの難易度に応じてモデルを使い分ける階層型設計がコスト最適化の鍵を握ります。
具体的には、文字が明瞭な定型フォームは軽量なDeepSeek-OCR（3B）で高速処理し、信頼度が低い場合や論理推論が必要なシーンのみLlama 3.2 90Bへエスカレーションする仕組みを構築します。
これは、コールセンターの一次回答をAIが担い、複雑な要望だけを熟練の専門家が引き継ぐコンシェルジュ・モデルのような効率的な役割分担に例えられます。
国内の先進的な事例においても、この手法によって計算リソースを約8割削減しつつ、最終的な出力精度を維持することに成功したケースが報告されています。
（参考: AIによる業務効率化の成功事例）
限られたGPU資源を賢く分配し、不要なハイスペック推論を排除することが、全社展開を見据えた戦略的なシステム基盤を支えます。
法的注意点とライセンスの管理
企業が実業務にAIを組み込む際、技術的な性能以上に注視すべきなのが、利用するオープンソースモデルのライセンス体系とガバナンスの遵守です。
例えば、IBM Graniteは商用利用に寛容なApache 2.0である一方、Llama 3.2にはアクティブユーザー数に応じた申請義務があるなど、モデルごとに異なる法的制約が存在します。
Salesforce認定AIアソシエイトとしての専門的見地からも、データの透明性とコンプライアンスの徹底は、将来的な訴訟リスクやブランド毀損を防ぐために最も優先すべき事項だと断言できます。
商用利用を検討する際は、DeepSeekのMITライセンスのように権利関係が明確なモデルを基軸に据え、社内の法務ガイドラインと照らし合わせた運用を整備してください。
（参考: AI画像・イラストの著作権と商用利用）
最新の技術進歩を取り入れるだけでなく、法的な安全性を確保した上で基盤を構築することこそが、企業の持続可能なデジタル変革を実現します。
より具体的な導入イメージや組織内でのAI戦略を深めたい方は、生成AI活用の最前線といった専門書も非常に参考になります。
トラブルシューティング：精度不足やハルシネーションへの対処法
当セクションでは、精度不足やハルシネーションといったOCR運用の壁を乗り越えるための具体的な対処法を説明します。
なぜなら、ローカルLLMを用いたOCRは設定の微調整が精度を左右する重要な要素であり、正しい知識がなければモデルの真価を発揮できないからです。
- 文字化け・誤字を減らすためのプロンプトエンジニアリング
- コンテキスト長（num_ctx）の設定と画像解像度の関係
- 日本語特有の文字認識課題とその克服方法
文字化け・誤字を減らすためのプロンプトエンジニアリング
VLMのOCR精度を極限まで高めるためには、出力形式を厳密に制限するプロンプトエンジニアリングが最も効果的です。
視覚言語モデルは文脈を読みすぎるあまり、存在しない文字を捏造するハルシネーションを起こす特性があるため、自由な記述を許さない指示出しが求められます。
例えば、「Markdown形式で出力せよ」「表組みを一切崩さず保持せよ」といった制約を加え、必要に応じてOne-shot（一つの正解例）を提示することが有効です。
筆者が実務で検証したところ、特定のJSONキーを強制することで文字の読み飛ばしを防ぎ、後処理の自動化までスムーズに実現できました。
より深い手法については、こちらのプロンプトエンジニアリング入門も参考にしてください。
適切な指示をあらかじめテンプレート化しておくことで、モデルの性能を安定して引き出せるようになります。
コンテキスト長（num_ctx）の設定と画像解像度の関係
細かい文字が密集した高解像度画像を扱う場合、Ollamaの「num_ctx（コンテキスト長）」をデフォルト値から拡張する必要があります。
VLMは画像を視覚トークンとして処理しますが、高精細なデータほど消費トークンが膨大になり、標準の2048設定では情報が溢れて認識漏れが発生するためです。
具体的には、設定値を4096から8192程度まで引き上げることで、画像全体の情報を欠落させることなくモデルに認識させることが可能になります。
以下のコードのように、リクエスト時のoptionsパラメータで指定するか、Modelfileを作成して恒久的に設定を変更してください。
ollama run llama3.2-vision --set num_ctx 8192物理メモリやVRAMの空き容量に配慮しながら、扱うドキュメントの解像度に合わせて最適な値を調整することが運用のコツです。
さらに効率的な活用法を学びたい方は、書籍『生成AI 最速仕事術』で紹介されているツールの組み合わせ術も非常に役立ちます。
日本語特有の文字認識課題とその克服方法
日本語特有の縦書きや旧字体、複雑な段組みに対する認識精度の向上には、モデルの選定と後処理の自動化を組み合わせることが不可欠です。
現状のオープンソースモデルの多くは横書きを前提に学習されているため、縦書きの文章では文字の読み上げ順序が支離滅裂になる現象がしばしば見受けられます。
これを克服するには、日本語の文字構造に強い「MiniCPM-V 2.6」のようなモデルを選び、出力されたテキストを正規化ライブラリで補正するステップを挟むのが定石です。
また、誤字が発生しやすい専門用語などは、あらかじめ用語集をプロンプトに組み込んでおくことで、モデルが推論によって正しい単語を選択できるようになります。
こうした細かなチューニングの積み重ねが、商用OCRエンジンに匹敵するローカル環境の構築を可能にします。
まとめ：Ollama OCRで切り拓く次世代のドキュメント処理
最新のVLMとOllamaの活用は、従来のOCRの常識を覆し、文脈理解による高精度なデータ抽出を可能にしました。
ローカル環境での運用は、セキュリティ確保と劇的なコスト削減を同時に実現する、現代ビジネスの強力な武器となります。
まずはOllamaをインストールして、DeepSeek-OCRで手元のレシートを読み取ってみましょう！
構築に関する質問や、より高度なGPUサーバーの選定相談はコメント欄までお寄せください。
Ollama公式サイトや推奨GPUパーツの比較記事も必見です。
さらに体系的に学びたい方は、実戦的なAIスキルを磨けるAidemyや、業務活用のノウハウが得られるDMM 生成AI CAMPもぜひ活用してください。
あなたの手で、AIをフル活用した未来の業務自動化を今すぐ形にしていきましょう。
