IT之家 · 智能时代T2·开源与评测
78 分
小米发布并开源轻量级文档理解模型 Xiaomi-OCR-0,基于 Qwen3.5-0.8B 基座构建。该模型以单一架构覆盖文档解析、关键信息抽取及 OCR 视觉问答三大任务,原生支持 Markdown/LaTeX/JSON 输出。其训练采用异构专家共识机制与“预测-重渲染-比对”闭环校验,显著提升了复杂表格、公式及长尾场景的解析精度。
VQA
结合计算机视觉与自然语言处理,回答关于图像内容的问题
小米发布并开源轻量级文档理解模型 Xiaomi-OCR-0,基于 Qwen3.5-0.8B 基座构建。该模型以单一架构覆盖文档解析、关键信息抽取及 OCR 视觉问答三大任务,原生支持 Markdown/LaTeX/JSON 输出。其训练采用异构专家共识机制与“预测-重渲染-比对”闭环校验,显著提升了复杂表格、公式及长尾场景的解析精度。
阿里通义千问团队正式开源 Qwen3-VL-Embedding 和 Qwen3-VL-Reranker,基于 Qwen3-VL 基础模型构建。该系列支持文本、图像、视频等多模态输入的统一表征与高精度重排序,覆盖图文检索、VQA 等任务,并支持 30+ 种语言及灵活向量维度配置。
该研究提出 LAVE 框架,旨在通过大语言模型(LLM)在 Docmatix 数据集上进行零样本视觉问答(VQA)评估。核心议题是探讨在当前 LLM 能力下,是否仍需对文档理解任务进行微调。由于提供的正文内容极度缺失,仅包含标题信息,无法获取具体的实验数据、方法论细节或最终结论。