开源动态8

字节开源文档解析模型Dolphin

开源星探2025-05-28

AI 摘要

字节跳动：开源多模态模型Dolphin，采用两阶段机制，兼顾精准性与效率，能输出结构化内容，适用于学术论文整理、合同结构提取等场景，降低复杂文档解析门槛。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

紫东太初GMC：少80%Token保多模态能力

视觉Token冗余是多模态模型高效推理与落地的瓶颈，传统筛选方法有缺陷。紫东太初团队提出GMC核心集剪枝方法，具双阶段架构，优势多，实验显示其能在减少Token同时保持性能。

百度PaddleOCR推出HPD - Parsing小模型，文档解析速度大幅提升，是上一代最快模型的1.62倍、自身原解码方式的3.06倍。它采用层级并行解码架构，有两层并行设计，效果出色且兼容性好，还分享了优质训练方法和优化思路。

LLM操作手机以往方案有局限，phone - harness利用macOS Sequoia的iPhone镜像功能，通过截取镜像窗口、注入操作、截屏验证实现Claude操作iPhone，还介绍安装步骤、踩坑及已知限制。

处理PDF时，若全用OCR成本和延迟会增加，直接提取文本又易遇乱序、乱码等问题。Firecrawl开源的pdf - inspector工具能智能区分扫描版和文本版PDF，按需使用OCR，精准处理。