OCR终结了？旷视提出可以文档级OCR的多模态大模型框架Vary，支持中英文，已开源！

想将一份文档图片转换成 Markdown 格式？以往这一任务需要文本识别、布局检测和排序、公式表格处理、文本清洗等多个步骤——

这一次，只需一句话命令，多模态大模型 Vary 直接端到端输出结果：

无论是中英文的大段文字：

还是包含了公式的文档图片：

又或是手机页面截图：

甚至可以将图片中的表格转换成 Latex 格式：

当然，作为多模大模型，通用能力的保持也是必须的：

Vary 表现出了很大的潜力和极高的上限，OCR 可以不再需要冗长的 pipline，直接端到端输出，且可以按用户的 prompt 输出不同的格式如 Latex、Word、Markdown。通过 LLM 极强的语言先验，这种架构还可以避免 OCR 中的易错字，比如“杠杆”和“杜杆”等，对于模糊文档，也有望在语言先验的帮助下实现更强的 OCR 效果。

项目一出，引发了不少网友的关注，有网友看后直呼 “kill the game！”

那么这样的效果，是如何做到的呢？

背后原理

目前的多模态大模型几乎都是用 CLIP 作为 Vision Encoder 或者说视觉词表。确实，在 400M 图像文本对训练的 CLIP 有很强的视觉文本对齐能力，可以覆盖多数日常任务下的图像编码。但是对于密集和细粒度感知任务，比如文档级别的 OCR、Chart 理解，特别是在非英文场景，CLIP 表现出了明显的编码低效和 out-of-vocabulary 问题。

受语言的 LLMs 启发，纯 NLP 大模型（如 LLaMA）从英文到中文（外语）时因为原始词表编码中文效率低，必须要扩大 text 词表。那么对于现在基于 CLIP 视觉词表的多模大模型也是一样的，遇到 “foreign language image”，如一页论文密密麻麻的文字，很难高效地将图片 token 化，Vary 提出就是解决这一问题，在不 overwrite 原有词表前提下，高效扩充视觉词表。