اگر با پردازش اسناد و استخراج متن سر و کار دارید، خبر خوب این است که مدل جدید HunyuanOCR-1.5 از راه رسیده! این مدل که یک نسخه سبک و قدرتمند (VLM) است، در پردازش متون، جداول و حتی فرمولهای پیچیده فوقالعاده عمل میکند.
ویژگیهای کلیدی این نسخه:
⚡️ سرعت بینظیر: با استفاده از تکنیک DFlash، سرعت این مدل تا بیش از 6 برابر نسبت به نسخههای قبلی افزایش یافته که آن را به سریعترین OCR سبک دنیا تبدیل کرده است.
🧠 سیستم Agentic Data Flow: این سیستم به مدل کمک میکند تا ضعفهای خود را شناسایی کرده و به صورت خودکار دادههای آموزشیاش را بهینهسازی کند.
این مدل حالا در تحلیل اسنادِ چندتصویری و حتی خواندن متون قدیمی (Ancient-script) بسیار دقیقتر شده است. پیشرفتی چشمگیر برای اتوماسیون اداری و تحلیل دادههای تصویری!
منبع: arXiv Computer Vision