# 文檔視覺問答

MLCD-ViT-bigG是一款採用二維旋轉位置編碼(RoPE2D)增強的先進視覺Transformer模型，在文檔理解和視覺問答任務中表現卓越。

基於mgoin/pixtral-12b的INT8量化版本，支持視覺-文本多模態任務，優化了推理效率

Qwen/Qwen2.5-VL-3B-Instruct的量化版本，支持視覺-文本輸入和文本輸出，權重量化為INT8，激活量化為INT8。

基於Donut模型針對越南語文檔問答（表格數據）進行微調的版本

Florence-2 DocVQA 是基於 Microsoft Florence-2-large 模型微調的文檔視覺問答模型，專門用於處理文檔圖像中的問答任務。

UDOP是一個統一處理視覺、文本和佈局的通用文檔處理模型，基於T5架構，適用於文檔AI任務。

UDOP是一個統一視覺、文本與佈局的通用文檔處理模型，基於T5架構，適用於文檔圖像分類、解析和視覺問答等任務。

該模型是Impira模型的微調版本，專門用於處理捷克語發票的視覺問答任務。

基於LayoutLMv2架構的文檔視覺問答模型，針對DocVQA任務進行微調

基於LayoutLMv3-base微調的文檔問答模型，適用於文檔視覺問答任務

基於Donut架構的文檔問答模型，能夠從圖像中提取文本信息並回答問題

基於LayoutLMv2架構的文檔視覺問答模型，專為文檔理解任務微調

基於LayoutLMv2架構的文檔視覺問答模型，專門針對文檔理解任務進行微調

Pix2Struct是一個圖像編碼器-文本解碼器模型，通過圖像-文本對訓練，支持多種任務，包括圖像描述生成和視覺問答。

Pix2Struct是基於圖像編碼器-文本解碼器架構的視覺語言模型，專門針對文檔視覺問答任務進行了微調

該模型是基於microsoft/layoutlmv2-base-uncased在文檔視覺問答任務上微調的版本，專注於處理文檔圖像中的文本和佈局信息。

基於LayoutLM架構微調的文檔問答模型，專門處理發票等結構化文檔

Donut是一種無需OCR的文檔理解Transformer模型，基於DocVQA數據集微調，能夠直接從圖像中提取和理解文本信息。

基於LayoutLMv2架構的文檔理解模型，針對InfoVQA任務進行微調

基於microsoft/layoutlmv2-large-uncased微調的文檔視覺問答模型，適用於越南語信息提取任務