文档智能
【多模态&文档智能】OCR-free感知多模态大模型技术链路及训练数据细节
目前的一些多模态大模型的工作倾向于使用MLLM进行推理任务，然而，纯OCR任务偏向于模型的感知能力，对于文档场景，由于文字密度较高，现有方法往往通过增加图像token的数量来提升性能。 这种策略在增加新的语言时，需要重新进行训练，计算开销较大，成本较高。 因此，本文再来看看vary和got这两个衔接工作，看看其完整的技术链路。
12/12/2024 12:25:09 AM
余俊晖
- 1
资讯热榜
罗永浩 Jarvis 初创项目“J1 Assistant AI 助理”上线，利用语音与大模型互动
SK 海力士宣布参展 CES 2025，将展示 122TB 企业级固态硬盘等产品
突破非视距条件依赖！大规模区域、低成本的UWB-LiDAR标定与单次定位框架
阿里云与黑芝麻智能完成大模型车载芯片级适配
类 Mac Mini 大小的个人 AI 超算：英伟达 Project Digits 发布，起价 3000 美元
清华大学推 AutoDroid-V2：AI 离线在线协同，优化移动端自动化 GUI 控制
斯坦福AI科研神器开源，一键成文GPT-4o mini加持！科研写作彻底解放双手
AI模拟细胞，走向全新虚拟生命，斯坦福团队呼吁是时候走出全新的一步了
标签云
AI
模型
人工智能
AIGC
OpenAI
AI绘画
ChatGPT
机器人
数据
生成
谷歌
训练
视频
智能
学习
Midjourney
GPT
大模型
用户
AI创作
图像
LLM
微软
开源
技术
Meta
论文
Stable Diffusion
生成式
算法
蛋白质
芯片
马斯克
计算
神经网络
AI设计
Gemini
Sora
研究
腾讯
课程
代码
开发者
场景
伟达
GPU
3D
模态
预测
Transformer
华为
文本
驾驶
英伟达
神器推荐
机器学习
AI视频
语言
干货合集
LLaMA
深度学习
2024
算力
搜索
苹果
科技
视频生成
AI应用场景
应用
百度
写作
特斯拉
机器
安全
具身智能
Copilot
AI for Science
语音
prompt
AGI