محققان در پژوهشی تازه، ۸ مدل پیشرفته بینایی-زبانی (VLM) را برای پاسخگویی به سوالات متنی-تصویری (DocVQA) در حوزههای مختلف مثل اسناد صنعتی، اینفوگرافیکها و اسلایدها مورد ارزیابی قرار دادهاند.
نتایج این مطالعه نشان میدهد که با وجود توانایی بالای این مدلها، درک بصری همچنان بزرگترین نقطه ضعف آنها در تحلیل اسناد پیچیده است. نکته جالب اینکه حتی با چند نمونه محدود (Few-shot learning)، مدلها میتوانند بهسرعت خود را با محیطهای جدید تطبیق دهند. این یافتهها مسیر را برای هوشمندتر کردن ابزارهای تحلیل اسناد هموارتر میکند. 📝🤖
منبع: arXiv Computer Vision