（57页PPT）多模态文档大模型mPLUGDocOwl.pptxVIP

下载本文档

1
0
约1.6千字
约 57页
2025-09-26 发布于广东
举报
版权申诉

（57页PPT）多模态文档大模型mPLUGDocOwl.pptx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

多模态文档大模型mPLUG-DocOwl 阿里巴巴通义实验室

阿里巴巴通义实验室-高级算法专家负责通义多模态大模型mPLUG系列工作，包括基础多模态模型mPLUG/mPLUG-2，多模态对话大模型mPLUG-Owl，多模态文档大模型mPLUG-DocOwl，多模态智能体Mobile-Agent等，其中mPLUG工作在VQA榜单首超人类的成绩。在国际顶级期刊和会议ICML/CVPR/ICCV/ACL/EMNLP/MM/TOIS/IJCAI/AAAI等发表论文40多篇，并担任多个顶级和会议AC/PC/Reviewer。主导参与开源项目mPLUG，X-PLUG，AliceMind，DELTA。

目录CONTENTS多模态文档大模型背景mPLUG-DocOwl系列工作mPLUG-DocOwl开源实战总结与展望

PART01多模态文档大模型背景

多模态文档大模型背景富含文字的图片（简称“文档图片”）在生活中无处不在！

多模态文档大模型背景RevolutionizingDocumentAIwithMultimodalDocumentFoundationModels

多模态文档大模型背景一个通用的多模态大模型应该具备文档图片理解的能力，例如GPT4V

多模态文档大模型背景多模态大模型模型（MLLM）主要关注于一般图片的对话和问答mPLUG-Owl LLaVA InstructBLIP

多模态文档大模型背景由于预训练中存在富含文字的图片，他们也初显一定的图片文字理解能力MLLM具备实现通用文档图片理解的潜力

多模态文档大模型挑战

PART01多模态文档大模型背景

mPLUG-DocOwl

mPLUG-DocOwl模型结构形状适应的切图模块1.??????????={??×??,??×??,…??×????,??×??,??×??,…,??×????,…????×??}2.同时考虑形状和??进?grid选择）每个子图在原图中第几行第几列

mPLUG-DocOwl模型训练:训练任务

mPLUG-DocOwl模型训练:训练数据

mPLUG-DocOwl实验结果

mPLUG-DocOwl1.5

mPLUG-DocOwl1.5模型训练

mPLUG-DocOwl1.5

mPLUG-PaperOwl

PART03mPLUG-DocOwl开源实战

mPLUG-DocOwl开源

mPLUG-DocOwlDemo

通义mPLUG多模态体系

PART04总结与展望

多模态文档大模型展示了Promising效果，但仍然存在通用性、鲁棒性、效率等问题，仍然还有很多提升的空间；针对高分辨率，多页，探索更高效的视觉编码，图文融合结构；增加更多Domain数据，探索通用的、鲁棒的多模态文档大模型；大小模型协同，能够结合OCR、Chart等专业小模型；

THANKS

您可能关注的文档

文档评论（0）

sky_runner + 关注: 实名认证

文档贡献者

持续学习提升自我，并在职场中热心帮助他人成长。

咨询Ta 进入空间

1亿VIP精品文档

更多 >

（57页PPT）多模态文档大模型mPLUGDocOwl.pptxVIP