# 文檔圖像理解

Qwen2.5-VL-72B-Instruct的FP8量化版本，支持視覺-文本輸入和文本輸出，由Neural Magic優化發佈。

基於Qwen2-VL-7B-Instruct微調的文檔OCR模型，支持多語言文檔識別與元數據提取

Qwen2.5-VL-3B-Instruct的量化版本，權重量化為INT4，激活量化為FP16，適用於視覺-文本任務的高效推理。

Qwen2.5-VL-72B-Instruct的FP8量化版本，支持視覺-文本輸入和文本輸出，適用於多模態任務。

Eagle2是一個高性能的視覺語言模型系列，專注於通過數據策略和訓練方法的優化來提升模型性能。Eagle2-9B是該系列中的大型模型，在性能和推理速度之間取得了良好平衡。

鷹隼2號是一個高性能視覺語言模型家族，專注於數據策略和訓練方案的透明性，旨在推動開源社區開發具有競爭力的視覺語言模型。

PaliGemma 2是Google推出的多功能視覺語言模型(VLM)，結合圖像和文本處理能力，支持多語言和多任務處理。

基於微軟Florence-2模型使用Docmatix數據集（5%數據量）微調1天的版本，適用於圖像文本理解任務

基於PaliGemma-3b模型在DocCI數據集上微調的圖像描述生成模型，能生成200-350字符的詳細描述文本，減少幻覺現象

PaliGemma是Google開發的輕量級視覺語言模型，基於SigLIP視覺模型和Gemma語言模型構建，支持多語言圖像文本理解與生成。

Donut是一種無需OCR的文檔理解Transformer模型，結合視覺編碼器和文本解碼器處理文檔圖像

基於Donut架構的醫療手寫處方信息提取模型，用於從醫療處方圖像中提取結構化信息

基於naver-clova-ix/donut-base微調的模型，具體用途和功能需要更多信息

基於naver-clova-ix/donut-base微調的文檔理解模型，專注於結構化文檔信息提取任務

基於naver-clova-ix/donut-base微調的文檔理解模型，適用於圖像文件夾數據集

基於Donut架構的模型，專門針對拉脫維亞收據數據進行了微調

該模型是基於donut-base在拉脫維亞收據數據集上微調的版本，主要用於收據圖像處理任務

基於naver-clova-ix/donut-base在圖像文件夾數據集上微調的模型，適用於文檔理解任務

基於naver-clova-ix/donut-base模型在圖像文件夾數據集上微調的版本，適用於文檔理解任務。

基於Donut架構的文檔理解模型，專門針對工資單圖像處理進行微調