旷视发布Fox模型，革新复杂文档理解能力

旷视团队推出了一款名为Fox的多模态大模型，旨在解决复杂文档理解难题。这款模型能够处理密集文字、多栏混排的中英PDF，实现区域级别的细粒度理解，包括文字识别、翻译和图片内容描述。通过精准定位、多视觉词表协同学习及页面打包技术，Fox提升了对图文混排的处理能力。此外，团队还构建了一个包含9种任务的基准测试，推动该领域的研究发展。
来源：https://mp.weixin.qq.com/s/DZAR3Lc9d1JCYTvVljFGng