# 結構化信息提取

PP-DocLayout-L 是一個高精度的文檔佈局區域定位模型，基於 RT-DETR-L 架構，支持檢測 23 種常見文檔佈局類別。

PP-DocLayout_plus-L 是一個高精度的文檔佈局區域定位模型，基於 RT-DETR-L 架構訓練，支持 20 種常見文檔元素的檢測。

NuExtract 2.0是專為結構化信息提取任務訓練的多模態模型系列，支持文本和圖像輸入，具備多語言處理能力。

基於LayoutLMv3-base微調的文檔問答模型，能夠利用OCR數據理解文檔並回答相關問題。

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

Phi-3-mini-4k-instruct-graph是微軟Phi-3-mini-4k-instruct的微調版本，專門用於從通用文本數據中進行實體關係提取，旨在在生成實體關係圖方面達到與GPT-4相當的質量和準確性。

這是一個專注於葡萄牙語文本壓縮和結構化處理的微型語言模型，基於33萬條葡萄牙語文本訓練。

ICKG是基於Vicuna-7B微調的知識圖譜構建專用指令遵循語言模型，擅長從文本文檔中提取結構化知識三元組

這是一個基於Donut架構的視覺語言模型，專門針對CORD-V2數據集進行微調，用於文檔圖像轉文本任務。

基於Donut架構的模型，用於從醫療手寫處方中提取結構化信息

基於Donut架構的Transformer模型，專門用於從駕駛證圖像中提取結構化信息

基於LayoutLMv3架構微調的發票信息提取模型，在SROIE數據集上表現出色

基於 FUNSD 數據集對 LayoutLMv3-large 模型進行微調的版本，專注於文檔智能理解任務

基於LayoutLMv3-base模型在FUNSD數據集上微調的文檔AI模型，用於表單理解任務

基於LayoutLMv2架構在CORD數據集上微調的文檔理解模型，適用於結構化文檔信息提取任務

基於LayoutLMv2架構的文檔視覺問答模型，針對文檔理解任務進行了微調