OCR 2.0模型发布：图表、几何图形、音乐符号皆可精准识别并转换为可编辑文本

总而言之，利用生成式模型来处理光学字符识别（OCR）任务，实际上就是运用了GOT（生成式OCR任务）方法。从我们的角度来看，我们推出了被称为“OCR2.0”的概念，这一技术变革旨在弥合传统OCR技术在处理复杂场景和多样化版面时存在的固有局限性。

关于GOT的性能表现，它能够有效地处理包含8000多个字符的文档图像，以及单个图像中含有500个字符的情形。在处理文档图像时，它能够处理高达1024x1024分辨率的图像，并且能够准确识别图像中包含的tokens，这意味着模型能够处理长达8000个tokens的序列。值得一提的是，OCR2.0技术能够识别传统方法难以辨识的复杂或不规则的文本。

这项技术的核心优势在于，它能够同时进行文本内容的识别和版面的重建，涵盖了文本检测与识别、排版恢复以及表格结构分析等功能，甚至可以识别不规则的图表。借助这种全面的信息提取能力，大幅提升了对文档的理解程度。

为了进一步提升模型的实用性，我们致力于将各种文本渲染任务整合到统一的框架内，包括处理复杂的Qwen-0.5B数学公式识别任务，并且能够无缝集成LaTeX、Mathpix-markdown-it、TikZ、Verovio和Matplotlib及Pyecharts等多种渲染工具，从而实现对各类文档和信息的高度还原。

GOT所采用的生成式方法能够实现端到端的训练，无需针对特定任务进行定制，从而提升了通用性和适应性。这种方法可以直接从原始图像中提取关键信息，并应用于诸如版面分析、文档理解等多种下游任务中。

目前，我们正在积极推进GOT模型在Hugging Face平台上的开源，以便更多的开发者能够利用和参与到这项技术中来。这一举措旨在为OCR领域的研究和应用注入新的活力，推动相关技术的进步。

在线演示地址：https://huggingface.co/spaces/stepfun-ai/GOTofficialonline_demo

要点归纳：

📌 GOT（生成式OCR任务）是一种全新的OCR方法，旨在解决传统OCR技术在复杂场景下的局限性，打造OCR2.0。

📌 该技术能够同时实现文本识别与版面重构，包括表格分析、排版恢复以及复杂图表的识别。

📌 通过端到端的训练方式和统一的框架，GOT能够处理各种信息提取任务，例如版面分析和文档理解等，无需针对特定任务进行调整。