Youtu-Parsing-Omni：一个编码器、一套结构，覆盖所有模态
Youtu-Parsing-Omni可解析文档、图像、音频和视频，并将其转换为带有时空定位信息的结构化记录。该模型以共享编码器处理所有模态，并用统一结构整合十项解析任务。据开发团队称，这款50亿参数模型在OmniDocBench v1.6上取得96.96分，并以平均75.08分领跑OmniParsingBench中的开放权重模型，优势主要体现在音频和视频方面。代码和模型权重已公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。