OCR终结了?旷视提出支持文档级OCR的多模态大模型,支持中英文,已开源!

人工智能
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。

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:

图片图片

无论是中英文的大段文字:

图片图片

还是包含了公式的文档图片:

图片图片

又或是手机页面截图:

图片图片

甚至可以将图片中的表格转换成latex格式:

图片图片

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~

责任编辑:武晓燕 来源: 量子位
相关推荐

2024-03-20 13:18:46

模型多模态体系

2020-07-16 13:00:18

人工智能机器学习技术

2024-09-10 12:11:18

2020-07-20 09:49:56

开源技术 趋势

2020-06-08 11:16:06

百度

2024-04-02 09:17:50

AI数据开源

2021-10-15 15:26:10

AI 数据人工智能

2024-10-21 13:20:00

视频数据集

2023-12-04 13:23:00

数据训练

2023-09-02 12:49:01

2023-05-17 15:22:45

识别开源工具

2023-08-09 10:08:00

模型AI

2024-05-14 16:58:05

腾讯混元大模型文生图

2024-03-25 12:40:19

训练模型

2024-05-15 17:30:51

开源模型

2023-09-12 14:46:24

人工智能自然语言

2015-08-18 15:19:51

2023-09-19 13:48:02

2024-01-22 13:59:00

模型训练
点赞
收藏

51CTO技术栈公众号