腾讯优图发布 Youtu-Parsing-Omni 单编码器多模态解析模型

腾讯优图在 Hugging Face 发布 Youtu-Parsing-Omni，以共享权重和跨模态融合统一解析文档、图像、音频与视频。该模型通过 Vision stem、Audio stem、共享 Transformer 块和 Youtu-LLM 解码器输出 OmniSchema JSON，采用自进化 on-policy 蒸馏流程训练，并宣称在多个解析基准上达到 SOTA。