惯性聚合
高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文
在惯性聚合中打开
即将跳转到惯性聚合
3
在聚合应用中查看完整内容和互动
立即跳转
取消
推荐订阅源
P
Proofpoint News Feed
GbyAI
MongoDB | Blog
人人都是产品经理
A
About on SuperTechFans
Microsoft Security Blog
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
量
量子位
腾
腾讯CDC
Google DeepMind News
Vercel News
Blog — PlanetScale
The Register - Security
博
博客园 - Franky
M
MIT News - Artificial intelligence
C
CERT Recently Published Vulnerability Notes
B
Blog RSS Feed
www.infosecurity-magazine.com
Simon Willison's Weblog
Attack and Defense Labs
L
Lohrmann on Cybersecurity
S
Schneier on Security
MyScale Blog
The Last Watchdog
cs.CV updates on arXiv.org
PCI Perspectives
博
博客园 - 聂微东
Exploit-DB.com RSS Feed
T
Troy Hunt's Blog
Threat Intelligence Blog | Flashpoint
T
Threat Research - Cisco Blogs
K
Kaspersky official blog
F
Fortinet All Blogs
Application and Cybersecurity Blog
D
Docker
Security Latest
P
Privacy & Cybersecurity Law Blog
T
Tenable Blog
B
Blog
有赞技术团队
TaoSecurity Blog
C
Check Point Blog
Latest news
H
Hackread – Cybersecurity News, Data Breaches, AI and More
让小产品的独立变现更简单 - ezindie.com
Help Net Security
D
DataBreaches.Net
Google DeepMind News
N
News and Events Feed by Topic
J
Java Code Geeks
thinkingReed
ColPali：使用视觉语言模型的高效文档检索
VisionThink：通过强化学习实现高效的视觉语言模型
ChartMoE：使用混合专家架构的图表理解方法
基于标记级相关性引导的压缩方法以实现高效的多模态文档理解
PACT：基于剪枝和聚类的Token减少方法
DocLayLLM：一种用于富含文本的文档理解的高效多模态大语言模型扩展方法
mPLUG-DocOwl 2：高分辨率文档理解的布局感知压缩方法
mPLUG-DocOwl 1.5 研究报告：模型架构与位置编码机制
mPLUG-DocOwl：面向无OCR文档理解的统一结构学习
QG-VTC：基于问题引导的视觉Token压缩方法
MinerU 技术报告：高精度文档内容提取解决方案
StrucTexT：多模态Transformer的结构化文本理解框架
TabPedia：统一的表格理解视觉语言模型
Pix2Struct：截图解析作为视觉语言理解预训练方法
Swin Transformer：分层视觉Transformer
Vision Transformer：将Transformer应用于图像分类任务
DocPedia：频域方法实现高分辨率文档理解
领域特定的大语言模型用于通过有标签数据监督微调的暖通空调系统故障诊断
将知识从大模型迁移到小型下游模型
TextMonkey：用于文档理解的无OCR大型多模态模型
2025-05-22
·
via
thinkingReed
介绍 TextMonkey的视觉编码器直接使用了CLIP中预训练的Transformer块参数作为初始值。 目标：从各种来源（如表格，表单，发票等文档以及各种现实场景的文本）中提取关键信息，实现基于文档和场景文本的工作流程
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。
原文来自
— 版权归原作者所有。
