我要投稿

基于Qwen2多模态大模型构建的开源OCR项目

发布日期：2024-10-09 19:53:06 浏览次数： 3022

作者：极客开源

微信搜一搜，关注“极客开源”

GOT-OCR2.0 是一个基于 QWen2 0.5B 模型的开源项目，项目核心是开发了一个统一的端到端模型，旨在推动 OCR 技术进入2.0时代。

获取 GOT-OCR2.0 在线体验地址、模型下载地址，关注?公众号 极客开源 在后台回复 OCR2.0 关键词。

这个只有 580M 参数的 OCR 模型，拿到了 BLEU 0.972 分数，而且模型大小只有 1G 多，在一般配置的本地机器上运行也不是问题。

从测试效果来看性能也很不错，支持识别普通文档、场景文档、格式化文档等多种多样的文本内容。

普通文本的训练数据中主要使用中文 CASIA-HWDB2 和英文 IAM 数据集，所以该模型对中英文内容的识别效果会比较好。

格式化文档的训练数包括了：数学公式、化学分子式、表格数据、PDF 整页数据，以及更有难度的乐谱、几何形状、图表，得益于多模型大模型的加持，GOT 模型可以处理更多种类的任务。

模型架构层面，GOT 由三个模块组成，图像编码器、线性层和输出解码器。线性层充当连接器，在视觉编码器和语言解码器之间映射通道维度。

利用三个主要步骤来优化整个 GOT 模型。

首先，执行纯文本识别任务，对视觉编码器进行预训练。为了提高训练效率并节省 GPU 资源，GOT 选择了一个微型解码器将梯度传递给编码器。在这个阶段，把包含场景文本的图像和包含文档级字符的手动图像馈送到模型中，以允许编码器收集两种最常用的字符的编码能力。

在下一阶段，通过将经过训练的视觉编码器连接到一个新的更大的解码器来形成 GOT 的架构。

在最后阶段将会进一步提高 GOT 的泛化和适用性。具体来说，为 GOT 生成和添加细粒度和多裁剪/页面合成数据，以支持区域提示 OCR、大图像 OCR 和批量 PDF OCR 功能。

OCR-2.0 模型在结构上比 OCR-1.0 的系统要简单，比多模型大语言模型更侧重于纯 OCR 任务，并且具有卓越的性能；并且 OCR-2.0 将各种 Pan-OCR 任务集成到一个模型中，在模型设计、数据工程和应用场景方面具有有价值的研究方向。

获取更多生成式 AI 大模型相关开源项目可以关注?公众号 极客开源 ，获取上文提到的 OCR 在线体验地址、开源仓库和模型下载地址，在后台回复 OCR2.0 关键词。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-02-03

多模态文档智能解析最新开源进展：GLM-OCR方法概述

2026-02-02

月之暗面Kimi正式发布官方编程工具：Kimi Code

2026-01-30

用AI做深度用户访谈，获蓝驰、高瓴、王慧文投资

2026-01-29

DeepSeek-OCR 2重磅发布:让AI像人一样读懂复杂文档

2026-01-28

LingBot-Depth 正式开源：让机器人“看清”物理世界

2026-01-28

一文带你读懂DeepSeek-OCR 2的细节！附实测！

2026-01-27

DeepSeek出品，必是精品！DeepSeek-OCR 2发布：让LLM像人一样读懂复杂文档，效果超Gemini 3 Pro

2026-01-27

DeepSeek-OCR 2 来了，让 AI 也能像人一样，带着逻辑去看图

联系获取

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

谁是OCR王者？MinerU、PaddleOCR、DeepSeek-OCR 实测对比，集成一个多模态PDF解析系统

2025-11-10

万字拆解UI-TARS 2.0，看懂豆包手机背后的核心技术

2025-12-15

微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！

2025-12-06

阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！

2025-12-07

多模态检索新突破！Qwen3-VL-Embedding/Reranker AI 真正“看懂“你在搜什么，从图片到视频全拿下！

2026-01-10

Gemini 3 多模态Prompt：手相宗师 - 玄师

2025-11-19

GLM-TTS技术报告：基于多奖励强化学习的可控发音语音合成

2025-12-11

声画俱全，一镜入戏 | Seedance 1.5 pro 音视频创作模型正式发布

2025-12-17

蓝色光标×火山引擎：用AI实现多模态内容创作自由

2026-01-05

秒杀传统 TTS？！Gemini 原生中文 TTS 体验 + 提示词模板

2025-12-14

大家都在问

一篇文章讲清楚：到底什么是NotebookLM？除了PPT，它还能做啥？

2025-12-31

GenAI的多模态数据智能平台如何构建？

2025-08-04

本地AI对话神奇，ChatWise到底有什么用？

2025-05-26

什么是基于知识图谱的多模态推理？

2025-05-13

AI数字人领域重大突破：告别拼凑式合成，阿里OmniTalker能否开启音视频一体化新时代？

2025-04-08

Midjourney V7全面测评：50组多风格提示词实测，是否还有领先优势?

2025-04-05

如何结合多模态RAG和异步调用实现大模型内容理解？

2025-03-30

Chat GPT文生图不用DALL·E模型了？

2025-03-26

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean

应聘简历请发送至： [email protected]

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部