Difficulty-Aware pipeline

新的VLM方法将文档理解成本降低80%

研究人员开发了一种新的方法，使用混合专家（Mixture-of-Experts）视觉语言模型（VLM）来降低文档理解的成本并提高其质量。该系统在内部和精选的开放领域文档的混合集上进行了微调，并利用面向难度的感知（Difficulty-Aware）管道来增强布局多样性和跨模型一致性。该模型可以安装在单个NVIDIA H100上，在成本和效率方面显著优于更大的基线模型，与人工标注相比，预计成本降低超过80%。