一口气看8页！旷视提出Fox：图文并茂的文档交互式多模态大模型

文章预览

点击下方 卡片 ，关注“ CVer ”公众号 AI/CV重磅干货，第一时间送达 点击进入—> 【Mamba/扩散/多模态】交流群 添加微信：CVer5555，小助手会拉你进群！ 扫描下方二维码，加入CVer学术星球 ！ 可以获得最新顶会/顶刊上的论文idea 和 CV从入门到精通资料，及最前沿应用 ！发论文/搞科研/涨薪，强烈推荐！ 导读   最近，旷视打造了一支多模态大模型的“点读笔”-Fox，轻松实现对8页文档（中英混合，单栏多栏格式混合的极端场景）的交互式感知理解。   最近，旷视打造了一支多模态大模型的“点读笔”-Fox，轻松实现对8页文档（中英混合，单栏多栏格式混合的极端场景）的交互式感知理解。 对于信息密集的PDF文档，Fox支持 高可控性的细粒度理解 ，比如在 用户感兴趣区域内 进行文字识别、段落翻译以及页面内部的图片内容描述等。 “一图胜千言”— ………………………………