本文へスキップ

ViTLP

視覚で導くテキスト配置の事前学習モデル

公式サイトを見る

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 →

評価方法