腾讯优图发布全模态解析模型

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，并将内容编码为结构化的时空记录。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；腾讯优图称，其在多个解析基准上达到 SOTA。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。