Youtu-VL-4B-Instruct文書能力分析:複雑なレイアウトのためのOCRと構造理解

Youtu-VL-4B-Instruct オープンソース解釈:VLUASを使って4B視覚知覚を「モデルネイティブ機能のように」

1. 要旨 Youtu-VL-4B-Instructは、Tencent Youtuが提供するコンパクトな視覚言語モデル(4Bパラメータ)で、VLUAS(Vision-Language Unified Autoregressive Supervision)を提案しています。これは「視覚を入力から予測可...