Read-Parse-Describe：统一文档解析与视觉元素描述基准

Yuheng Chen 等人在 arXiv 提交论文，提出 Read-Parse-Describe，一个将文档解析与视觉元素描述生成统一起来的数据集基准，要求模型从页面图像生成含边界框、语义标签、阅读顺序、文本内容和视觉元素替代文本的有序版式元素列表。 基准基于 2,402 份文档构建，包含 18,163 个连续页面、125,218 个版式元素和 11,338 个视觉实例。作者还提出即插即用的 space-awareness enhancer，复用多层视觉特征并向视觉-语言 token 注入网格感知空间引导，用于版式感知生成。 论文称数据集和代码将在 GitHub 上公开；以上为论文声称，尚无独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。