想将一份文档图片转换成markdown格式？
以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤——
这一次，只需一句话命令，多模态大模型Vary直接端到端输出结果：
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
图片
无论是中英文的大段文字：
图片
还包含了公式的文档图片
图片
又或是手机页面截图：
图片
甚至可以将图片中的表格转换成latex格式：
图片
当然，作为一个多模大型模型，保持通用能力是必不可少的
图片
Vary表现出了很大的潜力和极高的上限，OCR可以不再需要冗长的pipline，直接端到端输出，且可以按用户的prompt输出不同的格式如latex 、word 、markdown。
通过强大的语言先验，这种架构可以避免OCR中的易错字，如“杠杆”和“杜杆”等。对于模糊文档，借助语言先验的帮助，也有望实现更强的OCR效果
引发了不少网友的关注的项目一经推出，立即引起了广泛讨论。其中一位网友在看到后直呼“杀爆了！”
图片
这样的效果是如何实现的呢？
受大模型启发打造
目前的多模态大模型几乎都是用CLIP作为Vision Encoder或者说视觉词表。确实，在400M图像文本对训练的CLIP有很强的视觉文本对齐能力，可以覆盖多数日常任务下的图像编码。
但是对于密集和细粒度感知任务，比如文档级别的OCR、Chart理解，特别是在非英文场景，CLIP表现出了明显的编码低效和out-of-vocabulary问题。
纯NLP大模型（如LLaMA）从英文过渡到中文（对大模型来说是“外语”）时，因为原始词表编码中文效率低，必须要扩大text词表才能实现较好的效果。
研究团队从中得到了启发，正是因为这一特点
现在基于CLIP视觉词表的多模态大模型，面临着同样的问题，遇到“foreign language image”，如一页论文密密麻麻的文字，很难高效地将图片token化。
Vary是为解决这个问题而提供的一种解决方案，它可以在不重新建立原有词表的情况下，高效地扩充视觉词表
图片
不同于现有方法直接用现成的CLIP词表，Vary分两个阶段：
首先，我们将在第一阶段使用一个小型的仅解码器网络，以自回归的方式生成一个强大的新视觉词表
接下来，在第二阶段将新词表和CLIP词表进行融合，以便高效地训练LVLM并赋予其新的特性
以下是Vary的训练方法和模型结构图示：
图片
通过在公开数据集以及渲染生成的文档图表等数据上训练，Vary极大增强了细粒度的视觉感知能力。
在保持vanilla多模态能力的同时，激发出了端到端的中英文图片、公式截图和图表理解能力。
另外，研究团队注意到原本可能需要几千tokens 的页面内容，通过文档图片输入，信息被Vary压缩在了256个图像tokens中，这也为进一步的页面分析和总结提供了更多的想象空间。
目前，Vary的代码和模型均已开源，还给出了供大家试玩的网页demo。
感兴趣的小伙伴可以去试试了～
