Allen AI近日宣布，其通过持续微调Qwen VL模型，成功训练出一款强大的PDF文本提取工具——OlmOCR。该模型基于超过20万份PDF文档进行训练，能够高效、精准地提取PDF中的文本内容。OlmOCR的推出标志着PDF文本提取技术的...

随着Vision Language Models（VLMs）的快速发展，传统的光学字符识别（OCR）技术正面临被取代的可能。VLMs结合了计算机视觉和自然语言处理的能力，能够更准确地理解和解析图像中的文本内容。与OCR相比，VLMs不仅能识...

Meta的Llama项目在开源AI模型与封闭模型的哲学辩论中扮演了关键角色。Llama是Meta全面战略转型的核心，标志着公司全力投入生成性人工智能。2023年7月发布的Llama 2是Meta和创始人马克·扎克伯格（Mark Zuckerberg）的...

近日，一项名为LLM-aided OCR的技术在OCR领域引起了极大的关注，该技术使用LLM（语言模型）来协助纠正Tesseract OCR的错误。Tesseract OCR是一种开源OCR引擎，具有高度的准确性，但仍然无法避免一些错误。LLM-aided...

随着数字化时代的到来，文件的电子化处理已经成为各行各业的标配。然而，文件的电子化处理通常需要时间和人力成本较高的OCR技术，而且现有的OCR技术并不能完全满足用户的需求。为了解决这个问题，一家名为Zerox的初...

OpenOCR是一个旨在统一场景文本检测与识别算法的训练和评估基准。它通过提供一系列的评估标准，使得科研人员和工程师们能够在相同的条件下，对他们的算法进行测试与比较。这为文本检测与识别领域的研究提供了一个公...

Reworkd公司近日发布了一款名为Tarsier的新工具，旨在通过使用括号和ID对网页元素进行视觉标记，增强大语言模型（LLMs）的网页交互任务处理能力。Tarsier利用OCR生成的文本表示，使得没有视觉功能的LLM也能理解网页...

近日，MiniCMP-V发布了一个基于Llama 3训练的新版本。这款8B模型在多个任务上表现出色，甚至超越了许多闭源的专有模型。新版本的MiniCMP-V不仅支持30种不同的语言，还在光学字符识别（OCR）和视觉问答（visual quest...