ViTLP とは
本モデルは視覚で導く生成テキスト配置の事前学習モデルとされ、文書画像の上で直接テキストの位置を特定し認識する。
できること
- 文書画像上のテキストの位置を特定し認識する
- 380M パラメータの ViTLP-medium を使う
- decode.sh で画像を一括デコードする
活用場面
- スキャンした歴史資料から文字を取り出す
- 事件文書の情報を自動で処理する
- 契約書のページから重要条項を調べる
注意点
- medium 版は計算資源とデータ規模の制約下の選択
- 5 秒から 10 秒は Nvidia 4090 の 1 ページ分
- 準備には依存ライブラリと重みの取得が含まれる
長所と短所
✓ 良い点
- 学習済みの重みが Hugging Face で公開される
- 組み込み用のコードと手順が添えられる
! 注意したい点
- 380M 版は計算資源とデータ規模の制約下の均衡とされる
- 5 秒から 10 秒の数値は Nvidia 4090 の 1 ページ分
よくある質問
medium 版の規模は?
資料は ViTLP-medium が 380M のパラメータを持つと述べる。
1 ページの処理時間は?
資料は Nvidia 4090 で 1 ページ 5 秒から 10 秒と説明する。
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 →-
302.AI 数百の大規模モデルを単一の API に集約したクラウド 開発者ツール API連携 マルチモデルプラットフォーム モデルデプロイ LLM APIプラットフォーム -
360智脑开放平台 360 モデル API プラットフォーム API連携 マルチモデルプラットフォーム ナレッジベースQ&A 企業自動化 LLM APIプラットフォーム -
4o Image API 画像生成 API ゲートウェイ 無料ツール フリーミアムツール 開発者ツール API連携 LLM APIプラットフォーム -
AI-Flow ノーコードのマルチモデルワークフロー ワークフロー自動化 開発者ツール API連携 ナレッジベースQ&A LLM APIプラットフォーム -
AI/ML API 多数のモデルへの単一ゲートウェイ 開発者ツール API連携 マルチモーダル マルチモデルプラットフォーム LLM APIプラットフォーム -
Amazon Bedrock AWS のコード提案とセキュリティスキャン 無料ツール コードアシスタント IDE アプリ構築ツール LLM APIプラットフォーム