اگر با چالشهای استخراج متن از تصاویر اسناد، جداول و فرمولهای پیچیده سر و کار دارید، حتما نگاهی به «OvisOCR2» بیندازید! این مدل جدید با وجود حجم بسیار کم (۰.۸ میلیارد پارامتر)، توانسته در بنچمارکهای معتبر، مدلهای بزرگتر و روشهای پیچیده قبلی را پشت سر بگذارد.
ویژگیهای کلیدی OvisOCR2:
✅ تبدیل مستقیم تصاویر اسناد به Markdown با حفظ ساختار اصلی.
✅ دقت خیرهکننده در تشخیص متن، فرمولهای ریاضی و جداول.
✅ استفاده از متد آموزشی نوآورانه شامل یادگیری تقویتی و تقطیر مدل برای بهینهسازی عملکرد.
این مدل که حالا به عنوان یکی از پیشروهای حوزه End-to-End در استخراج متن شناخته میشود، به صورت متنباز در دسترس قرار گرفته است. دسترسی به آن میتواند برای پروژههای پردازش اسناد انقلابی باشد.
منبع: arXiv AI