arXiv · 机器人与计算机视觉· Yunhang Shen, Zhangquan Chen, Xiaotian Li, Zhongpeng Cai, Qing Zhou, Zekai Zhang, Kun Zhang, Zezhong Wu, Jian Hu, Haihan Gao, Heting Gao, Xin Li, Yinsong Liu, Deqian Jiang, Di Yin, Haoyu Cao, Xing Sun, Bing Liu, Yanqiu Qu, Yunfei Wu, Kun Yin, Zhixiang Wei, Yongxiang Hua, Qianyu Li, Xiaoxing Hu, Peiyuan Zhang, Lijiang Li, Dong Xu, Zhenchuan Yang, Yiliang Jiang·· 20 天前精选AI 评分82
Youtu-Parsing-Omni:单一编码器与图式实现全模态解析
Youtu-Parsing-Omni: One Encoder, One Schema, All Modalities
AI 导读
arXiv 发布论文 Youtu-Parsing-Omni,提出一种全模态解析器,将文档、图像、音频和视频转换为时空结构化记录。其设计基于单一编码器和单一任务图式,在 OmniDocBench v1.6 上取得开源模型最佳整体分数(96.96),并在图表解析和化学指纹匹配等特定任务上表现领先。代码与权重已公开。
推荐理由
该工作提出统一编码器与图式架构,在文档、音视频多模态解析任务上取得开源模型最佳表现。
来源:arXiv · 机器人与计算机视觉 · arxiv.org