社区供稿｜上线即 Trending, OCR-2.0 助力多模态大模型更快更强

文章预览

在 AI-2.0 时代，OCR 模型的研究难道到头了吗！？ (OCR: 一种将图像中的文字转换为可编辑和可搜索文本的技术) 阶跃作者 团队开源了第一个迈向 OCR-2.0 的通用端到端模型  GOT 。 用实验结果向人们证明： No～No～No～ 上线3天下载量超110k， 登上huggingface  trending榜单。 Hugging Face 体验地址: https://tonic-got-ocr.hf.space/ (跳转原文可直达) GOT 模型效果如何？ 话不多说，直接上效果图: △  最常用的 PDF image 转 Markdown 能力 △  双栏文本感知能力 △  自然场景以及细粒度 OCR 能力 △  动态分辨率 OCR 能力 △  多页 OCR 能力 △  更多符号的 OCR 能力 研究团队称，尽管 GOT 模型表现不错，但也存在一些局限，如更多的语言支持，更复杂的几何图，chart 上的 OCR 性能。 他们说 OCR-2.0 的研究还远的很，GOT 也还有不小提升空间（该项目在数据和算力资源上都是非常受限的） ………………………………