隨著視覺與語言的深度融合,文本圖像理解成為多模態(tài)領(lǐng)域的新方向。文章介紹了一個(gè)突破性的多模態(tài)模型KOSMOS-2.5,它在處理文本密集圖像上展現(xiàn)強(qiáng)大能力。
KOSMOS-2.5基于KOSMOS-2改進(jìn)而來,采用統(tǒng)一的Transformer框架,實(shí)現(xiàn)文本圖像的端到端理解。它包含一個(gè)視覺編碼器和文本解碼器,通過重采樣模塊連接,可以同時(shí)完成檢測文本內(nèi)容和坐標(biāo)、生成Markdown格式文本。
Datasets是KOSMOS-2.5的關(guān)鍵。文章使用包含豐富文本行圖像和Markdown格式文本的海量數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練,達(dá)到3.24億條。這種多任務(wù)聯(lián)合訓(xùn)練增強(qiáng)了模型的多模態(tài)理解力。
KOSMOS-2.5在多個(gè)文本密集圖像任務(wù)上展現(xiàn)卓越表現(xiàn):端到端文檔文本識(shí)別和Markdown生成,同時(shí)在少樣本學(xué)習(xí)上也顯現(xiàn)潛力。這標(biāo)志著在更廣泛的文本圖像理解領(lǐng)域,KOSMOS-2.5能發(fā)揮關(guān)鍵作用。
展望未來,擴(kuò)展模型規(guī)模以處理更多數(shù)據(jù)是關(guān)鍵方向。目標(biāo)是進(jìn)一步提升對文本圖像的解釋生成能力,將KOSMOS-2.5應(yīng)用于更多實(shí)際場景,如文檔處理、信息抽取等,從而使語言模型真正具備「讀圖識(shí)文」的能力。
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。
近日,德國柏林國際電子消費(fèi)品展覽會(huì)(IFA2024)隆重舉辦。憑借在核心技術(shù)、產(chǎn)品設(shè)計(jì)及應(yīng)用方面的創(chuàng)新變革,全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)成功斬獲兩項(xiàng)“IFA全球產(chǎn)品設(shè)計(jì)創(chuàng)新大獎(jiǎng)”金獎(jiǎng),有力證明了其在全球市場的強(qiáng)大影響力。
近日,中國家電及消費(fèi)電子博覽會(huì)(AWE 2024)隆重開幕。全球領(lǐng)先的智能終端企業(yè)TCL實(shí)業(yè)攜多款創(chuàng)新技術(shù)和新品亮相,以敢為精神勇闖技術(shù)無人區(qū),斬獲四項(xiàng)AWE 2024艾普蘭大獎(jiǎng)。
“以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
由世界人工智能大會(huì)組委會(huì)、上海市經(jīng)信委、徐匯區(qū)政府、臨港新片區(qū)管委會(huì)共同指導(dǎo),由上海市人工智能行業(yè)協(xié)會(huì)聯(lián)合上海人工智能實(shí)驗(yàn)室、上海臨港經(jīng)濟(jì)發(fā)展(集團(tuán))有限公司、開放原子開源基金會(huì)主辦的“2024全球開發(fā)者先鋒大會(huì)”,將于2024年3月23日至24日舉辦。