कृत्रिम बुद्धिमत्ता कंपनी मिस्ट्रल AI ने आज घोषणा की कि इसका नवीनतम दस्तावेज़ पहचान मॉडल मिस्ट्रल OCR आधिकारिक तौर पर लॉन्च हो गया है। इस मॉडल को "सबसे शक्तिशाली OCR" के रूप में जाना जाता है, जिसने अपने उत्कृष्ट प्रदर्शन और बहुमुखी प्रतिभा के साथ X प्लेटफ़ॉर्म पर व्यापक चर्चा उत्पन्न की है। मिस्ट्रल OCR जटिल PDF, छवियों, तालिकाओं, गणितीय सूत्रों और बहुभाषी दस्तावेज़ों के सटीक निष्कर्षण का समर्थन करता है, और गति और सटीकता में Google Document AI और Azure OCR से आगे निकल गया है, जिससे...

Mistral ने एक नया, उच्च-प्रदर्शन OCR API जारी किया है जो दस्तावेज़ों के व्यापक विश्लेषण के लिए डिज़ाइन किया गया है। यह API विभिन्न प्रकार के दस्तावेज़ों को संभाल सकता है और सटीक और कुशल परिणाम प्रदान करता है।

olmOCR एक शक्तिशाली और कुशल ओपन सोर्स ऑप्टिकल कैरेक्टर रिकॉग्निशन (OCR) उपकरण है जो PDF दस्तावेज़ों को टेक्स्ट में परिवर्तित करने में सक्षम है। यह तालिकाओं और हस्तलिखित पाठ को भी पहचानता है, जिससे यह विभिन्न प्रकार के दस्तावेज़ों के लिए एक बहुमुखी समाधान बन जाता है।

हिप्पोक्रेटिक एआई एक स्टार्टअप है जो रोगी के अनुकूल कृत्रिम बुद्धिमत्ता समाधान बनाने के लिए समर्पित है, हाल ही में 1.41 अरब डॉलर की श्रृंखला बी फंडिंग सफलतापूर्वक पूरी की, जिसकी वैल्यूएशन 16.4 अरब डॉलर तक पहुंच गई है। इस राउंड की फंडिंग का नेतृत्व प्रसिद्ध वेंचर कैपिटल कंपनी क्लेनर पर्किन्स ने किया, जो स्वास्थ्य क्षेत्र में हिप्पोक्रेटिक एआई के तेजी से विकास का संकेत देता है। केवल दो साल से भी कम समय में स्थापित होने के बाद, कंपनी ने कई निवेशकों का ध्यान आकर्षित किया है, पहले भी वह

हिप्पोक्रेटिक AI एक स्टार्टअप है जो चिकित्सा क्षेत्र में AI समाधानों के विकास पर केंद्रित है, हाल ही में इसने 1.41 अरब डॉलर की बी दौर की फंडिंग पूरी की है, जिसका मूल्यांकन 16.4 अरब डॉलर है। इस फंडिंग का नेतृत्व प्रसिद्ध जोखिम निवेश कंपनी क्लेनर पर्किन्स ने किया, जो कि कंपनी द्वारा जनरल कैटलिस्ट और आंद्रेसेन होरोविट्ज़ से नौ महीने पहले प्राप्त 53 करोड़ डॉलर की फंडिंग के बाद आई।

हाल ही में, Tencent AI प्रयोगशाला ने Tencent PCG के ARC प्रयोगशाला के साथ मिलकर एक नए ढांचे का शुभारंभ किया है जिसका नाम StereoCrafter है, यह सामान्य 2D वीडियो को उच्च-फिडेलिटी स्टेरियो 3D वीडियो में बदल सकता है। यह नवाचार 3D सामग्री की बढ़ती मांग का उत्तर देता है, विशेषकर इमर्सिव अनुभव के क्षेत्र में। StereoCrafter मौलिक मॉडल के लाभों का पूरा उपयोग करता है, पारंपरिक रूपांतरण विधियों की सीमाओं को पार करता है, उत्पादन प्रभाव को काफी बढ़ाता है, यह सुनिश्चित करता है कि उत्पादित सामग्री को संतुष्ट कर सके.

क्या आपको वह ‘चित्र-से-शब्द’ जादुई GPT-4V याद है? यह चित्र की सामग्री को समझ सकता है और चित्र के आधार पर कार्य कर सकता है, यह सच में आलसी लोगों के लिए वरदान है! लेकिन इसका एक गंभीर कमजोर बिंदु है: इसकी निगाहें ठीक नहीं हैं! कल्पना कीजिए, आप GPT-4V से एक बटन पर क्लिक करने के लिए कहते हैं, लेकिन यह 'स्क्रीन का अंधा' की तरह इधर-उधर क्लिक करता है, क्या यह बहुत परेशान करने वाला है? आज हम आपको एक ऐसा जादुई उपकरण पेश करेंगे जो GPT-4V की नजर मजबूत कर देगा - OmniParser! यह माइक्रोसॉफ्ट द्वारा लॉन्च किया गया एक नया मॉडल है, जो ग्राफिकल यूजर इंटरफेस (GUI) में स्वचालित इंटरएक्शन को हल करने के लिए बनाया गया है।

हाल ही में, अलीबाबा के AI अनुसंधान दल ने दस्तावेज़ समझने के क्षेत्र में महत्वपूर्ण प्रगति की है, उन्होंने mPLUG-DocOwl1.5 जारी किया है, जो बिना OCR (ऑप्टिकल कैरेक्टर रिकग्निशन) दस्तावेज़ समझ कार्यों में उत्कृष्ट प्रदर्शन करने वाला एक अत्याधुनिक मॉडल है। पहले, जब हम दस्तावेज़ समझ कार्यों को संभालते थे, तो हम आमतौर पर छवियों से पाठ निकालने के लिए OCR तकनीक पर निर्भर करते थे, लेकिन यह अक्सर जटिल लेआउट और दृश्य शोर से प्रभावित होता था। जबकि mPLUG-DocOwl1.5 एक नई एकीकृत संरचना सीखने के ढांचे के माध्यम से,

अलीबाबा दामो अनुसंधान院 और चीन की पीपल्स यूनिवर्सिटी ने हाल ही में एक दस्तावेज़ प्रसंस्करण मॉडल, जिसे mPLUG-DocOwl1.5 कहा जाता है, का संयुक्त रूप से ओपनसोर्स किया है। यह मॉडल बिना OCR पहचान के दस्तावेज़ की सामग्री को समझने पर केंद्रित है और कई दृश्य दस्तावेज़ समझ बेंचमार्क परीक्षणों में उत्कृष्ट प्रदर्शन हासिल किया है। संरचनात्मक जानकारी समृद्ध पाठ छवियों (जैसे दस्तावेज़, टेबल और चार्ट) की अर्थव्यवस्था को समझने के लिए महत्वपूर्ण है। मौजूदा मल्टी-मॉडल बड़े भाषा मॉडल (MLLM) पाठ पहचान की क्षमता रखते हैं, लेकिन समृद्ध पाठ दस्तावेज़ छवियों की सामान्य संरचनात्मक समझ में कमी है।

हाल ही में, H2O.ai ने दो नए दृश्य भाषा मॉडल लॉन्च करने की घोषणा की, जिसका उद्देश्य दस्तावेज़ विश्लेषण और ऑप्टिकल कैरेक्टर रिकोग्निशन (OCR) कार्यों की दक्षता को बढ़ाना है। ये दो मॉडल हैं H2OVL Mississippi-2B और H2OVL-Mississippi-0.8B, जो प्रदर्शन के मामले में बड़े टेक कंपनियों के मॉडलों के साथ प्रतिस्पर्धा में आशाजनक प्रतिस्पर्धा दिखाते हैं, और यह उच्च मात्रा में दस्तावेज़ कार्य प्रवाह को प्रबंधित करने वाले व्यवसायों के लिए एक अधिक कुशल समाधान प्रदान कर सकते हैं।H2OVL Mississipp

क्या आप हर दिन ढेर सारे दस्तावेज़ों के सामने बैठकर जटिल डेटा प्रविष्टि से सिरदर्द महसूस करते हैं? क्या आप बड़ी संख्या में जानकारी से महत्वपूर्ण डेटा जल्दी निकालना चाहते हैं, लेकिन कोई प्रभावी उपकरण नहीं मिलने के कारण परेशान हैं? चिंता मत करो, Parseflow का आगमन दस्तावेज़ संसाधन के प्रति आपके दृष्टिकोण को पूरी तरह से बदल देगा! एक स्मार्ट डेटा स्वचालन प्लेटफ़ॉर्म के रूप में, Parseflow उन्नत OCR और AI तकनीक के माध्यम से दस्तावेज़ डेटा का स्वचालित निष्कर्षण और संरचनात्मककरण करता है। जटिल हाथ से संचालन को अलविदा कहें, स्वचालन को सरलता से प्राप्त करें, आपको केवल अपनी अंगुली हिलानी है, और आप हजारों दस्तावेज़ों को सीधे उपयोग करने के लिए परिवर्तित कर सकते हैं।

हाल ही में, शोधकर्ताओं ने एक नए सामान्य ऑप्टिकल कैरेक्टर रिकॉग्निशन (OCR) मॉडल को विकसित किया है, जिसे GOT (सामान्य OCR सिद्धांत) कहा जाता है। अपने शोध पत्र में, उन्होंने पहली बार 'OCR2.0' की संकल्पना प्रस्तुत की, जो इस नए मॉडल का उद्देश्य पारंपरिक OCR सिस्टम के फायदों और बड़े भाषा मॉडल की शक्तिशाली क्षमताओं को एक साथ लाना है। GOT की संरचना काफी उन्नत है, जिसमें लगभग 8000 मिलियन पैरामीटर का एक चित्र एन्कोडर और 500 मिलियन पैरामीटर का एक डिकोडर शामिल है। चित्र एन्कोडर 1024x1024 पिक्सेल के चित्रों को संभाल सकता है।

एप्पल कंपनी ने हाल ही में अपने मल्टी-मोडल आर्टिफिशियल इंटेलिजेंस मॉडल MM1 के लिए एक महत्वपूर्ण अपडेट जारी किया है, जिससे इसे MM1.5 संस्करण में अपग्रेड किया गया है। यह अपडेट केवल एक साधारण संस्करण संख्या परिवर्तन नहीं है, बल्कि यह एक व्यापक क्षमता वृद्धि है, जिससे मॉडल विभिन्न क्षेत्रों में और भी शक्तिशाली प्रदर्शन दिखा रहा है। MM1.5 का मुख्य अपडेट इसका नवीन डेटा प्रोसेसिंग तरीका है। यह मॉडल डेटा-केंद्रित प्रशिक्षण पद्धति को अपनाता है, जिसमें प्रशिक्षण डेटा सेट को सावधानीपूर्वक छाना और अनुकूलित किया गया है। विशिष्ट रूप से, MM1.5 ने उच्च-परिभाषा OCR डेटा और सिंथेटिक इमेज डिस्क्रिप्शन का उपयोग किया है, साथ ही साथ अनुकूलन भी किया है।

डिजिटलीकरण के युग में, छवियों में文字 सामग्री को तेजी से संपादनीय पाठ में बदलना एक सामान्य और महत्वपूर्ण आवश्यकता है। अब, GOT (सार्वभौमिक ऑप्टिकल कैरेक्टर रेकग्निशन सिद्धांत) नामक एक नई ऑप्टिकल कैरेक्टर रेकग्निशन (OCR) मॉडल का प्रकाशन, OCR प्रौद्योगिकी के 2.0 युग में प्रवेश का प्रतीक है। यह अभिनव मॉडल पारंपरिक OCR सिस्टम और बड़े भाषा मॉडल के लाभों को एकीकृत करता है, अधिक कुशल और बुद्धिमान पाठ पहचान उपकरण बनाने के उद्देश्य से। GOT मॉडल ने एक अभिनव एंड-टू-एंड आर्किटेक्चर अपनाया है, यह डिज़ाइन न केवल संसाधनों की बचत करता है, बल्कि काफी हद तक वृद्धि करता है।

SoCreate एक नवीन पटकथा लेखन सॉफ़्टवेयर है, जो जनरेटिव एआई इमेज और विज़ुअल टूल्स का उपयोग करता है, और पारंपरिक पटकथा लेखन के तरीके को बाधित करने के लिए डिज़ाइन किया गया है। यह सॉफ़्टवेयर कई सुविधाएँ प्रदान करता है जो अधिकांश पटकथा लेखन सॉफ़्टवेयर में मौजूद हैं, जैसे टेम्पलेट्स, जो उद्योग मानकों के अनुसार सही प्रारूप में पटकथाएँ बनाने में मदद करते हैं। हालाँकि, SoCreate के संस्थापक और CEO जस्टिन कुटो का मानना है कि लोकप्रिय प्लेटफ़ॉर्म विशेष रूप से दृश्य और रचनात्मक उपकरणों के मामले में अभी भी कमी है। SoCreate का एक बड़ा आकर्षण इसके चित्र अपलोड करने के उपकरण है, जिसे लेखक इसका उपयोग कर सकते हैं।

हाल ही में, GOT-OCR2.0 नामक एक एंड-टू-एंड OCR मॉडल उद्योग में व्यापक ध्यान आकर्षित कर रहा है। यह मॉडल केवल सामान्य पाठ पहचान कार्यों को संभालने में सक्षम नहीं है, बल्कि गणितीय सूत्रों, तालिकाओं, संगीत पत्तियों जैसी जटिलताओं का भी सामना कर सकता है, इसे OCR क्षेत्र का सर्वगुण संपन्न खिलाड़ी कहा जा सकता है। GOT-OCR2.0 का मुख्य लाभ इसके विविध कार्यों और उत्कृष्ट प्रदर्शन में निहित है। सबसे पहले, यह मॉडल मुख्य रूप से चीनी और अंग्रेजी वर्ण मान्यता का समर्थन करता है, और आगे की ट्यूनिंग के माध्यम से अधिक भाषाओं तक विस्तार किया जा सकता है। यह भाषाई उपयुक्तता GOT-OCR2.0 को अंतर्राष्ट्रीय उपयोग में उत्कृष्ट बनाती है।

Procreate ने iPad एप्लिकेशन में जनरेटिव AI तकनीक को शामिल करने से इनकार किया, सीईओ जेम्स कूडा का मानना है कि AI “रचनात्मकता की मानवता को छीन रहा है।” इस निर्णय ने कलात्मक समुदाय में बहस छेड़ दी है, कलाकारों को चिंता है कि AI कला के मूल को बदल सकता है, यहां तक कि मानव कलाकारों का स्थान भी ले सकता है। कूडा ने बताया कि, हालाँकि तकनीक में प्रगति हो रही है, कला को मशीनों द्वारा नियंत्रित नहीं किया जाना चाहिए, हस्तशिल्प प्रक्रिया आवश्यक है। Procreate के उपयोगकर्ता AI के प्रदर्शन का विरोध कर रहे हैं, जिससे कंपनी ने इस मुद्दे पर ध्यान दिया है। कूडा ने जोर दिया कि, एक तरह से

PaddleOCR v2.8.0 जारी किया गया है, जो अग्रणी तकनीक, परियोजना संरचना का अनुकूलन, ऐतिहासिक मुद्दों को हल करने और प्रदर्शन को बढ़ाने को एक साथ लाता है, OCR क्षेत्र में नए मानक स्थापित करता है। संस्करण की विशेषताओं में चैंपियन एल्गोरिदम SVTRv2 और SLANet-LCNetV2, अनुकूलित एल्गोरिदम और अपडेट, प्रमुख समस्याओं का समाधान, और PEP518 मानक के अनुरूप ट्यूटोरियल साइट का परिचय शामिल है। समुदाय के समर्थन के लिए धन्यवाद, पीएम सदस्य और योगदानकर्ता का योगदान अत्यधिक महत्वपूर्ण है। डेवलपर्स प्रोजेक्ट पते पर जाकर जानकारी प्राप्त कर सकते हैं 【https://github.com/Paddl

यह Github प्रोजेक्ट GPT मॉडल का उपयोग करके PDF फ़ाइलों का विश्लेषण करता है, जो PDF में लेआउट, गणितीय सूत्र, तालिकाएँ, चित्र, चार्ट आदि को बखूबी समझने में सक्षम है, प्रति पृष्ठ औसत लागत $0.013 है। PDF फ़ाइलों का विश्लेषण करने के चरण इस प्रकार हैं: 1. PyMuPDF लाइब्ररी का उपयोग करके PDF को गैर-पाठ क्षेत्र और पाठ क्षेत्र में विभाजित करें।

{1:बाईदू फेइजियांग टीम ने वेनक्सिन बड़े मॉडल पर आधारित सामान्य चित्र की कुंजी जानकारी निकालने वाला उपकरण PP-ChatOCR पेश किया है।2:PP-ChatOCR ने OCR टेक्स्ट पहचान और बड़े मॉडल तकनीक को जोड़ा है, जो विभिन्न दृश्यों में चित्र के कुंजी जानकारी को निकालने में सक्षम है।3:PP-ChatOCR ने PaddleX पर लॉन्च किया है, जो उच्च प्रदर्शन तैनाती का समर्थन करता है और अच्छी सटीकता और स्थिरता प्राप्त की है।}