layoutxlm-base

跨语言文档智能分析的多模态预训练技术

跨语言理解文档AI LayoutXLM 视觉文档理解多模态预训练 Huggingface Github 开源项目模型

LayoutXLM作为LayoutLMv2的语言扩展版本，整合文本、布局和图像信息，实现文档智能处理。这个预训练模型专注于解决视觉文档理解中的语言障碍，经XFUND数据集测试，在跨语言文档处理任务中展现出优异性能。

文档

xlm-roberta-large - 大规模多语言预训练模型

GithubHuggingfaceXLM-RoBERTa多语言模型开源项目机器学习模型自然语言处理预训练模型

XLM-RoBERTa是一个在2.5TB多语言数据上预训练的大型语言模型，覆盖100种语言。该模型采用掩码语言建模技术，能够生成双向文本表示。XLM-RoBERTa主要应用于序列分类、标记分类和问答等下游任务的微调。凭借其在多语言和跨语言任务中的出色表现，XLM-RoBERTa为自然语言处理领域提供了坚实的基础。

internlm-xcomposer2d5-7b-4bit - 简化大型语言模型的文本与图像处理新纪元

4位量化模型GithubHuggingfaceInternLM-XComposer开源项目文本图像理解模型视频理解长上下文能力

InternLM-XComposer2.5在文本与图像理解领域展现非凡性能，其应用灵活性媲美GPT-4V，仅靠7B参数即可完成复杂任务。模型通过24K图文上下文训练与96K扩展能力，适用于大量输入输出任务。此外，项目提供了4-bit量化模型来有效降低内存消耗，并支持使用Transformers快速集成，涵盖从视频理解到多图对话的多种应用场景。

surya_layout3 - Surya项目的文档布局分析模型

GithubHuggingfaceLayoutsuryatransformers开源项目模型

surya_layout3是Surya项目的文档布局分析模型，基于transformers库开发。该模型旨在识别和分析文档的结构和布局元素，如段落、标题和表格。作为一个开源工具，surya_layout3为研究人员和开发者提供了进行文档分析和处理的基础。模型采用CC-BY-NC-SA-4.0许可证发布，可用于非商业用途。

xlnet - 无监督语言表示学习新方法

GithubSOTATransformer-XLXLNet开源项目情感分析问答系统

XLNet是一种基于广义置换语言建模的新型无监督语言表示学习方法，采用Transformer-XL作为骨干模型，适用于长上下文的语言任务。XLNet在问答、自然语言推理、情感分析和文档排名等多个下游任务中表现优异，超越了BERT，取得了多项任务的最新最佳结果。

VisionLLM - 面向视觉任务的开放式多模态大语言模型

GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉

VisionLLM 系列是一种多模态大语言模型，专注于视觉相关任务。该模型利用大语言模型作为开放式解码器，支持数百种视觉语言任务，包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性，扩展了其在多模态应用场景中的能力，推动了计算机视觉与自然语言处理的融合。

docling-models - 将PDF文档中的版式与表格结构自动识别的开源模型

DoclingGithubHuggingfacePDF文档转换TableFormer布局分析开源项目模型表结构识别

docling模型支持PDF文档的布局与表格结构分析。布局模型使用RT-DETR技术识别版式元素，如标题、脚注与图片，性能接近人类标准。TableFormer模型则在表格结构识别上表现优异，准确识别复杂表格。该项目可应用于多种需要文档处理的场景。

multilingual-MiniLMv2-L6-mnli-xnli - 轻量级多语言自然语言推理与分类模型

GithubHuggingfaceMiniLMv2多语言翻译开源项目机器学习模型自然语言推理零样本分类

MiniLMv2是一款支持100多种语言的自然语言推理模型，采用知识蒸馏技术从XLM-RoBERTa-large模型优化而来。经过XNLI和MNLI数据集的微调训练，该模型在XNLI测试集达到71.3%的平均准确率。相比原始模型，具备更低的资源消耗和更快的运行速度，适合跨语言迁移学习应用。

internlm-xcomposer2d5-7b - 7B参数规模实现视觉语言理解和创作的开源多模态模型

GithubHuggingfaceInternLM-XComposer-2.5图像理解多模态开源项目模型网页生成长文本处理

InternLM-XComposer2.5采用7B参数规模构建，通过24K交错图文上下文训练,支持扩展至96K长文本理解。这个开源多模态模型在视频理解、多图对话、高清图像分析、网页生成和文章创作等场景中展现出强大的理解与创作能力。其优秀的长文本处理特性使其能够处理需要大量上下文的复杂任务。

XLM-Roberta-Large-Vit-B-16Plus - 支持50多种语言的多模态视觉语言模型

GithubHuggingfaceXLM-Roberta图像识别多语言CLIP开源项目机器学习模型自然语言处理

XLM-Roberta-Large-Vit-B-16Plus是一个多语言视觉语言模型，扩展了CLIP模型至50多种语言。该模型包含多语言文本编码器，可与Vit-B-16Plus图像编码器协同工作。在多语言MS-COCO数据集的文本-图像检索任务中，它在11种语言中均表现出色。模型能够从多语言文本和图像中提取特征向量，适用于跨语言的图像文本匹配应用。

bros-base-uncased - 整合文本布局的文档信息提取预训练语言模型

BROSGithubHuggingface光学字符识别开源项目文本布局分析文档信息提取模型预训练语言模型

BROS是一种创新的预训练语言模型，结合了文本内容和空间布局信息，以提升文档关键信息提取的效果。该模型能够处理OCR识别后的文本和边界框数据，适用于多种文档分析任务，例如从收据中提取商品清单。BROS提供base和large两种规模的模型，参数量分别约为110M和340M。这一开源项目已在Hugging Face平台上发布，为研究人员和开发者提供了强大的文档信息提取工具。

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com