# 文書視覚質問応答

Donutモデルをベトナム語文書質問応答（表データ）向けに微調整したバージョン

UDOPは視覚、テキスト、レイアウトを統合した汎用文書処理モデルで、T5アーキテクチャに基づき、文書画像分類、解析、視覚質問応答などのタスクに適しています。

LayoutLMv2アーキテクチャに基づく文書視覚質問応答モデルで、DocVQAタスク向けにファインチューニングされています

LayoutLMv3-baseをファインチューニングした文書質問応答モデルで、文書視覚質問応答タスクに適しています

DonutはOCRを必要としない文書理解Transformerモデルで、DocVQAデータセットでファインチューニングされており、画像から直接テキスト情報を抽出・理解できます。