ChemOCR

Youtu-Parsing-Omni 使用单一编码器统一多模态解析

研究人员推出了 Youtu-Parsing-Omni，这是一种统一的多模态解析器，能够将文档、图像、音频和视频处理成结构化的时空记录。该模型为每种模态使用单一编码器，并为所有任务使用统一的模式，采用跨模态融合和时间对齐。它在 OmniDocBench v1.6 等基准测试中取得了最先进的成果，并在 OmniParsingBench 上领先于开源模型，在一个紧凑的 5B 参数检查点上展示了在各种解析任务中的强大性能。