研究人员推出ABot-OCR，这是一种新颖的端到端视觉语言模型，旨在将页面图像直接转录为Markdown。该方法通过单次前向传播处理整个页面，避免了对复杂模块化系统的需求。该模型利用专用的数据引擎进行监督，并采用一种称为解耦异构文档优化（Decoupled Heterogeneous Document Optimization）的结构约束强化学习方法来提高准确性并确保标记的完整性。ABot-OCR在OmniDocBench基准测试中取得了最先进的成果，并展示了强大的多语言能力。 AI
影响 该模型通过直接将页面图像转换为结构化Markdown，简化了文档处理，可能为文档分析和数字化工作流程带来便利。
排序理由 该集群包含一份详细介绍新模型及其在基准测试中表现的技术报告。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.27978v1 Announce Type: new Abstract: We introduce ABot-OCR, an end-to-end vision-language model that transcribes a page image directly into clean Markdown in a single forward pass. By doing so, our approach completely eliminates the need for brittle modular orchestrati…
We introduce ABot-OCR, an end-to-end vision-language model that transcribes a page image directly into clean Markdown in a single forward pass. By doing so, our approach completely eliminates the need for brittle modular orchestration. To maximize parsing fidelity, we develop a d…