本文へスキップ

mPLUG-DocOwl 1.5

OCR を挟まずに文書を直接理解する

公式サイトを見る

mPLUG-DocOwl 1.5 とは

OCR を挟まず文書を理解する統合的な構造学習モデルと紹介され、深層学習で文書画像を直接読み取る。構造を踏まえた解析、文字の位置特定、質問応答に対応すると説明されている。

できること

  • 文書画像の中の構造化された情報を読み解く
  • 表や図表を Markdown の文章に替える
  • 複数の粒度で文字を特定し問いに答える

版と学習データ

  • DocOwl1.5-stage1 と DocOwl1.5-Chat が挙がる
  • 手順には DocStruct4M と DocReason25K が現れる
  • 公開されたコードと並びオンライン実演が挙がる

長所と短所

✓ 良い点

  • 答えは短い句にも詳しい説明にもできる
  • 用途に応じて複数の版が用意される

! 注意したい点

  • 準備には Python と関連する包の導入が含まれる
  • 推論前にモデルの版を選ぶ必要がある

よくある質問

扱う画像は?

資料には文書・ウェブページ・表・図表が挙がる。

公開されている?

機能には学習データ・モデルコード・オンライン実演が挙がる。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法