如何提取手写票据信息
本文主要讲述在处理票据信息结构化提取任务时，如何结合OCR（光学字符识别）技术和多模态大模型Qwen-VL来提高票据信息提取的准确性和效率。
模型训练数据-MinerU一款Pdf转Markdown软件
MinerU是由上海人工智能实验室OpenDataLab团队开发的开源智能数据提取工具，专长于复杂PDF文档的高效解析与提取。它能够将含有图片、公式、表格等多模态内容的PDF文档转化为Markdown格式，同时支持从网页和电子书中提取内容，显著提升了AI语料准备的效率。MinerU具备高精度的PDF模型解析工具链，能自动识别乱码，保留文档结构，并将公式转换为LaTeX格式，广泛适用于学术、财务、法律等领域。
医疗行业化验单智能识别技术探讨：OCR与表格识别的应用
本文探讨了OCR与表格识别技术在医疗化验单处理中的应用，通过自动化数据提取和录入，显著提高了效率和准确性，降低了人工劳动强度和错误率。技术实现包括图像预处理、文字识别和表格解析等核心算法的优化，支持与医院信息管理系统集成，未来将向跨模态数据融合、多语言适配及数据安全方向发展。
让AI像人类一样操作手机，华为也做出来了
华为诺亚方舟实验室研发的LiMAC系统，通过轻量级Transformer网络和微调的视觉-语言模型，实现了高效、准确的Android应用交互与控制。该系统在多个公开数据集上展现出卓越性能，提升了任务执行速度与准确性，同时具备良好的灵活性，但需大量训练数据支持。
用PDF转换图片的方式弥补通义千问在扫描版PDF支持方面的缺失
当前通义千问Web版和本地版qwen-VL在处理扫描版PDF时均无法直接识别，导致实际应用中处理大量扫描PDF的需求难以满足。为此，通过使用Python的pdf2image库，可将PDF文件转换为图片，再进行OCR处理，实现解决方案。文中提供了具体的代码示例，展示了如何将PDF文件的每一页转换成图片，并保存至指定文件夹，为后续的OCR处理做好准备。
阿里云百炼产品月刊【2024年11月】
11月，阿里云百炼平台迎来一系列重大更新，包括推出QwQ、qwen-turbo、qwen-Plus等多个新模型及快照版本，强化AI推理、文本生成、视觉理解等能力。此外，还优化了模型管理、数据处理等功能，提升了用户体验。
智谱开源端侧大语言和多模态模型GLM-Edge系列！
GLM-Edge系列模型是由智谱开源，专为端侧应用设计的大语言对话模型和多模态理解模型，包括GLM-Edge-1.5B-Chat、GLM-Edge-4B-Chat、GLM-Edge-V-2B和GLM-Edge-V-5B四种尺寸。这些模型针对手机、车机及PC等不同平台进行了优化，通过量化的技术手段，实现了高效运行。例如，在高通骁龙8 Elite平台上，1.5B对话模型和2B多模态模型能够达到每秒60 tokens以上的解码速度，而通过应用投机采样技术，这一数字可提升至100 tokens以上。