通用端到端OCR模型开源，拒绝多模态大模型降维打击

文章预览

Vary团队 投稿 凹非寺 量子位 | 公众号 QbitAI 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） Vary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~ 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）。 正是因为深知GOT以及OCR-2.0的潜力，我们希望通过开源GOT吸引更多的人，放弃VQA，再次投向 ………………………………