社区供稿 | 元象首个多模态大模型XVERSE-V开源，刷新权威大模型榜单，支持任意宽高比输入
元象公司发布了开源多模态大模型XVERSE-V，该模型在图像输入的宽高比方面具有灵活性，并在多项评测中展现出优越性能，超越了包括谷歌在内的多个知名模型。XVERSE-V采用创新方法结合全局和局部图像信息，适用于高清全景图识别、文字检测等任务，且已在Hugging Face、ModelScope和GitHub上开放下载。此外，模型在视障场景、内容创作、教育解题、百科问答和代码生成等领域有广泛应用，并在VizWiz等测试集中表现出色。元象致力于推动AI技术的普惠，支持中小企业、研究者和开发者进行研发和应用创新。
SpringBoot + Tess4J 实现本地与远程图片处理
【4月更文挑战第30天】Spring Boot 是一个流行的 Java 框架，可以方便地搭建各种类型的应用。Tess4J 是一个基于 Tesseract OCR 的 Java 接口库，用于识别图像中的文本。本文将介绍如何结合这两个工具，创建一个应用程序，能够处理本地和远程图像，提取其中的文本。
Serverless 应用引擎产品使用之在阿里云函数计算中，需要处理的文件大于100MB如何解决
阿里云Serverless 应用引擎（SAE）提供了完整的微服务应用生命周期管理能力，包括应用部署、服务治理、开发运维、资源管理等功能，并通过扩展功能支持多环境管理、API Gateway、事件驱动等高级应用场景，帮助企业快速构建、部署、运维和扩展微服务架构，实现Serverless化的应用部署与运维模式。以下是对SAE产品使用合集的概述，包括应用管理、服务治理、开发运维、资源管理等方面。
论文介绍：TextMonkey——面向文本理解的无OCR大型多模态模型
【5月更文挑战第2天】TextMonkey是一款无OCR的大型多模态模型，设计用于高效提取文本信息。它采用Shifted Window Attention和零初始化技术处理高分辨率文档，减少训练成本。通过假设图像中的冗余标记，模型能精简标记并提升性能。TextMonkey还能定位文本答案在图像中的位置，增强可解释性，在场景文本任务和关键信息提取中表现优越，特别是在OCRBench基准测试中刷新记录。然而，它在处理小图像和需要深层推理的任务时仍面临挑战。[链接](https://arxiv.org/abs/2403.04473)