# OCR強化

画像内容をテキスト情報に変換することに特化したモデルで、幅広い応用価値があります。

これは7億パラメータの視覚Transformerモデルで、マスク付き自己符号化器による自己教師あり学習手法を用いて、20億のウェブ画像で言語監督なしに訓練されています。

Aya Vision 8Bはオープンウェイトの80億パラメータ多言語視覚言語モデルで、23言語の視覚と言語タスクをサポートします。

マルチモーダル視覚指示追従タスク専用に設計されたトルコ語視覚言語モデルで、視覚（画像）とテキスト入力を同時に処理し、トルコ語で提供される指示を理解して実行できます。

InternViT-300MはOpenGVLabチームによって開発された視覚Transformerモデルで、InternViT-6Bから蒸留された事前学習モデルであり、様々な視覚タスクをサポートします。

Idefics3はオープンソースのマルチモーダルモデルで、任意のシーケンスの画像とテキスト入力を処理し、テキスト出力を生成できます。OCR、ドキュメント理解、視覚的推論において顕著な改善が見られます。

Florence-2はマイクロソフトが開発した先進的なビジョンファウンデーションモデルで、プロンプトベースのアプローチにより幅広い視覚と言語タスクを処理します。

InternViT-300M-448pxは、InternViT-6B-448px-V1-5から知識蒸留によって開発された効率的な視覚基盤モデルで、448×448の動的入力解像度を備え、1から40のパッチ処理をサポートします。

Idefics2はオープンなマルチモーダルモデルで、任意のシーケンスの画像とテキスト入力を受け取り、テキスト出力を生成できます。このモデルは画像に関する質問に答えたり、視覚的コンテンツを説明したり、複数の画像に基づいてストーリーを作成したり、純粋な言語モデルとして使用したりできます。

InternViT-6B-448px-V1-5はInternViT-6B-448px-V1-2をファインチューニングした視覚基盤モデルで、強力なロバスト性、OCR能力、高解像度処理能力を備えています。

マイクロソフトTable Transformerを基に開発した表構造認識モデルで、ドキュメント内の表検出と認識タスクに使用

naver-clova-ix/donut-baseをファインチューニングした手書き認識モデル

InternViT-6B-448px-V1-2は、5540万パラメータを持つ視覚基盤モデルで、448x448ピクセルの画像処理をサポートしています。

microsoft/layoutlmv2-base-uncasedをファインチューニングしたドキュメントQAモデル、具体的なトレーニングデータセットは不明

CogAgentはCogVLMを改良したオープンソースの視覚言語モデルで、シングルターンの視覚質問応答タスクに特化しています

CogAgentはCogVLMを改良したオープンソースの視覚言語モデルで、GUIエージェント、視覚的多輪対話、視覚的定位などの能力を備えています。

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

このモデルはmicrosoft/layoutlmv2-base-uncasedをgeneratorデータセットでファインチューニングしたバージョンで、ドキュメント理解とレイアウト分析タスクに適しています。

naver-clova-ix/donut-baseをファインチューニングしたモデル、具体的な用途は明記されていない

LayoutLMv2アーキテクチャに基づく文書視覚QAモデル、文書理解タスク向けにファインチューニング

LayoutLMv2アーキテクチャに基づくドキュメント視覚質問応答モデルで、ドキュメント理解タスク向けに特別にファインチューニングされています

naver-clova-ix/donut-baseをファインチューニングした文書理解モデルで、構造化文書情報抽出タスクに特化

naver-clova-ix/donut-baseをファインチューニングした文書理解モデル、画像フォルダデータセットに適応

このモデルはmicrosoft/layoutlmv2-base-uncasedをドキュメント視覚QAタスクでファインチューニングしたバージョンで、ドキュメント画像内のテキストとレイアウト情報の処理に特化しています。

naver-clova-ix/donut-baseを画像フォルダデータセットで微調整したモデルで、ドキュメント理解タスクに適しています

このモデルはnaver-clova-ix/donut-baseを画像フォルダデータセットでファインチューニングしたバージョンで、ドキュメント理解タスクに適しています。

Donutアーキテクチャに基づく文書理解モデルで、給与明細画像処理に特化してファインチューニング

Donutアーキテクチャに基づくモデルで、医療手書き文書から構造化データを抽出するために特別に設計されています

naver-clova-ix/donut-baseをファインチューニングしたドキュメント理解モデル、画像テキスト抽出タスクに適しています

このモデルはMITライセンスに基づくオープンソースモデルで、CER（文字誤り率）が0.0019と、特定のタスクにおいて高い精度を有しています。

LayoutLMv2アーキテクチャに基づく文書理解モデルで、InfoVQAタスクに対して微調整されています。

LayoutLMv2アーキテクチャに基づく文書ビジュアル質問応答モデルで、文書理解タスクに対して微調整されています。

これはFUNSDデータセットでファインチューニングされたLayoutLMモデルで、ドキュメント/フォームのタグ分類タスク専用です。