想将一份文档图片转换成Markdown格式？
以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤——
这一次，只需一句话命令，多模态大模型Vary直接端到端输出结果：
图片
无论是中英文的大段文字：
图片
还是包含了公式的文档图片：
图片
又或是手机页面截图：
图片
甚至可以将图片中的表格转换成latex格式：
图片
当然，作为多模大模型，通用能力的保持也是必须的：
图片
Vary表现出了很大的潜力和极高的上限，OCR可以不再需要冗长的pipline，直接端到端输出，且可以按用户的prompt输出不同的格式如latex 、word 、markdown。
通过大模型极强的语言先验，这种架构还可以避免OCR中的易错字，比如“杠杆”和“杜杆”等， 对于模糊文档，也有望在语言先验的帮助下实现更强的OCR效果。
项目一出，引发了不少网友的关注，有网友看后直呼“kill the game！”
图片
那么这样的效果，是如何做到的呢？
受大模型启发打造
目前的多模态大模型几乎都是用CLIP作为Vision Encoder或者说视觉词表。确实，在400M图像文本对训练的CLIP有很强的视觉文本对齐能力，可以覆盖多数日常任务下的图像编码。
但是对于密集和细粒度感知任务，比如文档级别的OCR、Chart理解，特别是在非英文场景，CLIP表现出了明显的编码低效和out-of-vocabulary问题。
纯NLP大模型（如LLaMA）从英文过渡到中文（对大模型来说是“外语”）时，因为原始词表编码中文效率低，必须要扩大text词表才能实现较好的效果。
正是这一特点给研究团队带来了启发。
现在基于CLIP视觉词表的多模态大模型，面临着同样的问题，遇到“foreign language image”，如一页论文密密麻麻的文字，很难高效地将图片token化。
而Vary就是这一问题的一种解决方案，它可以在不重建原有词表前提下，高效扩充视觉词表。
图片
不同于现有方法直接用现成的CLIP词表，Vary分两个阶段：
第一阶段先用一个很小的decoder-only网络用自回归方式帮助产生一个强大的新视觉词表；
然后在第二阶段融合新词表和CLIP词表，从而高效地训练LVLM拥有新feature。
Vary的训练方法和模型结构如下图：
图片
通过在公开数据集以及渲染生成的文档图表等数据上训练，Vary极大增强了细粒度的视觉感知能力。
在保持vanilla多模态能力的同时，激发出了端到端的中英文图片、公式截图和图表理解能力。
另外，研究团队注意到原本可能需要几千tokens 的页面内容，通过文档图片输入，信息被Vary压缩在了256个图像tokens中，这也为进一步的页面分析和总结提供了更多的想象空间。
目前，Vary的代码和模型均已开源，还给出了供大家试玩的网页demo。
感兴趣的小伙伴可以去试试了～
