# ドキュメントOCR強化

知覚エンコーダは視覚言語トレーニングによって実現された最先端の画像・動画理解エンコーダで、強力な汎化能力を備えています。

Eagleは、視覚を中心とした高解像度マルチモーダル大規模言語モデルのシリーズで、1K以上の入力解像度をサポートし、光学文字認識やドキュメント理解などのタスクで優れた性能を発揮します。

Idefics2はHugging Faceが開発したオープンソースのマルチモーダルモデルで、画像とテキスト入力を処理しテキスト出力を生成でき、OCR、ドキュメント理解、視覚的推論において優れた性能を発揮します。