跳到正文

ViTLP

视觉引导的生成文本布局预训练模型

访问官网

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 →

评测方法