ViTLP 是什么
ViTLP 被介绍为视觉引导的生成文本布局预训练模型,能够直接在文档图像上完成文本的定位与识别。
你可以用它做什么
- 在文档图像上定位并识别文字
- 使用 380M 参数的 ViTLP-medium 权重
- 用 decode.sh 脚本批量解码图像
应用场景
- 从扫描的历史文献中提取文字
- 自动处理案件文档里的信息
- 分析合同页面抽取关键条款
需要留意什么
- medium 版本是在算力与数据受限下的平衡
- 5 到 10 秒指 Nvidia 4090 上的单页处理
- 配置包含安装依赖与获取模型权重
优点与缺点
✓ 我们认可的地方
- 预训练权重可在 Hugging Face 平台获取
- 资料提供代码和指令便于集成
! 需要留意的地方
- 资料说明 380M 版本是在算力与数据受限下的折中
- 资料给出的 5 到 10 秒是 Nvidia 4090 上单页耗时
常见问题
medium 版本有多大?
资料说明 ViTLP-medium 拥有 380M 参数。
处理一页要多久?
资料说明在 Nvidia 4090 上一页约需 5 到 10 秒。
最后评测: 2026-11-15
更多 大模型 API 平台 工具
查看全部 →-
302.AI 把数百个大模型收在一个 API 后面的聚合云平台 开发者工具 API 集成 多模型平台 模型部署 大模型 API 平台 -
360智脑开放平台 360 大模型 API 平台 API 集成 多模型平台 知识库问答 企业自动化 大模型 API 平台 -
4o Image API 图像生成 API 网关 免费 工具 免费增值 工具 开发者工具 API 集成 大模型 API 平台 -
AI-Flow 无代码的多模型工作流 工作流自动化 开发者工具 API 集成 知识库问答 大模型 API 平台 -
AI/ML API 一个网关接入众多模型 开发者工具 API 集成 多模态 多模型平台 大模型 API 平台 -
Amazon Bedrock 带安全扫描的 AWS 代码建议 免费 工具 代码助手 集成开发环境 应用搭建器 大模型 API 平台