还记得那个号称“看图说话”神器GPT-4V吗?它能理解图片内容，还能根据图片执行任务，简直是懒人福音!但它有个致命弱点:眼神不太好!想象一下，你让GPT-4V帮你点个按钮，它却像个“屏幕瞎子”一样，到处乱点，是不是很抓狂?今天就给大家介绍一个能让GPT-4V眼神变好的神器——OmniParser!这是微软发布的全新模型，旨在解决图形用户界面（GUI）自动交互的难题。OmniParser是干啥的?简单来说，OmniParser就是个“屏幕翻译官”，它能把屏幕截图解析成GPT-4V能看懂的“结构化语言”。OmniParser结合了

最近，阿里巴巴的 AI 研究团队在文档理解领域取得了令人瞩目的进展，他们推出了 mPLUG-DocOwl1.5，这是一款在无OCR（光学字符识别）文档理解任务上表现卓越的尖端模型。过去，处理文档理解任务时，我们通常依赖 OCR 技术来从图像中提取文本，但这往往会受到复杂布局和视觉噪声的困扰。而 mPLUG-DocOwl1.5则通过一种全新的统一结构学习框架，直接从图像中学习理解文档，巧妙地避开了这一瓶颈。该模型通过分析文档在不同领域的布局和组织能力，涵盖了普通文档、表格、图表、网页和自然

阿里巴巴达摩院与中国人民大学近日联合开源了一款名为 mPLUG-DocOwl1.5的文档处理模型，该模型主打无需 OCR 识别即可理解文档内容，并在多个视觉文档理解基准测试中取得了领先的性能。结构信息对于理解富文本图像（例如文档、表格和图表）的语义至关重要。 现有的多模态大型语言模型 (MLLM) 虽然具备文本识别能力，但缺乏对富文本文档图像的通用结构理解能力。为了解决这一问题，mPLUG-DocOwl1.5强调结构信息在视觉文档理解中的重要性，并提出了 “统一结构学习” 来提升 MLLM 的性能。

近日，H2O.ai 宣布推出两款新型视觉语言模型，旨在提升文档分析和光学字符识别（OCR）任务的效率。这两款模型分别是 H2OVL Mississippi-2B 和 H2OVL-Mississippi-0.8B，它们在性能上与大型科技公司的模型相比，展现出令人瞩目的竞争力，可能为处理文档繁重工作流的企业提供更为高效的解决方案。H2OVL Mississippi-0.8B 模型虽然只有8亿参数，却在 OCRBench 文本识别任务中超越了所有其他模型，包括那些拥有数十亿参数的竞争对手。而20亿个参数的 H2OVL Mississippi-2B 模型则在多项视觉语言基准测试中表现不

还记得每天对着成堆的文档，头疼于繁琐的数据录入吗？想快速从海量信息中提取关键数据，却苦于没有高效工具？别担心，Parseflow的出现，将彻底颠覆你对文档处理的认知！作为一款智能化的数据自动化平台，Parseflow通过先进的OCR和AI技术，实现了文档数据的自动提取和结构化。告别繁琐的手动操作，轻松实现自动化，你只需动动手指，就能将海量文档转化为可直接利用的数据。告别复杂设置，上手即玩Parseflow操作界面简洁直观，无需复杂的学习过程，你就能快速上手。只需将文档上传

最近，研究人员开发了一种新的通用光学字符识别（OCR）模型，名为 GOT(通用 OCR 理论)。在他们的论文中，首次提出了 “OCR2.0” 的概念，这个新模型旨在将传统 OCR 系统的优点与大型语言模型的强大功能结合起来。GOT 的架构相当先进，包含了一个大约8000万参数的图像编码器和一个500万参数的解码器。图像编码器能够将1024x1024像素的图像压缩成 tokens，而解码器则负责将这些 tokens 转换成最长可达8000个字符的文本。通过这种方式，OCR2.0

苹果公司最近为其多模态人工智能模型MM1推出了重大更新，将其升级为MM1.5版本。这次升级不仅仅是简单的版本号变更，而是全方位的能力提升，使得模型在各个领域都展现出了更强大的性能。MM1.5的核心升级在于其创新的数据处理方法。该模型采用了以数据为中心的训练方法，精心筛选和优化了训练数据集。具体而言，MM1.5使用了高清晰度的OCR数据和合成图像描述，以及优化的视觉指令微调数据混合。这些数据的引入使得模型在文字识别、图像理解和执行视觉指令等方面都有了显著提升。

在数字化时代，将图像中的文字内容快速转换成可编辑文本是一个常见且重要的需求。现在，一项名为GOT（通用光学字符识别理论）的新型光学字符识别(OCR)模型的问世，标志着OCR技术迈入了2.0时代。这一创新模型结合了传统OCR系统与大型语言模型的优势，旨在打造一个更高效、更智能的文本识别工具。GOT模型采用了一种创新的端到端架构，这一设计不仅节省资源，还极大地扩展了识别能力，使其不仅限于文本识别。该模型由一个参数约8000万的图像编码器和一个参数约500万的解码器组成。

SoCreate 是一款新颖的编剧软件，采用生成式 AI 图像和视觉工具，旨在颠覆传统的编剧方式。该软件提供了许多大多数编剧软件都具备的功能，例如模板，可轻松创建具有正确格式的行业标准剧本。然而，SoCreate 创始人兼首席执行官贾斯汀·库托认为，热门平台仍然有所欠缺，尤其是在视觉和创意工具方面。SoCreate 的一大卖点是其图片上传工具，编剧可以利用该工具将视觉概念融入剧本中，包括角色、场景和动作场面。用户可以选择上传自己的图片，也可以从 SoCreate 的插图库中选择。很快，

近日，一款名为GOT-OCR2.0的端到端OCR模型引起了业界广泛关注。这款模型不仅能够处理常规文本识别任务，还能应对公式、表格、乐谱等复杂内容，堪称OCR领域的全能选手。GOT-OCR2.0的核心优势在于其多样化的功能和卓越的性能。首先，该模型主要支持中英文字符识别，并且通过进一步微调，可以扩展到更多语言。这种语言适应性使得GOT-OCR2.0在国际化应用中具有显著优势。在实际应用场景中，GOT-OCR2.0展现出了强大的适应能力。无论是街道标志、广告牌等自然场景中的文本，还是包含表格、公

Procreate 拒绝在 iPad 应用中引入生成式 AI 技术，首席执行官詹姆斯・库达认为 AI 正在“剥夺创作的人性”。这一决定在艺术圈引发热议，艺术家担忧 AI 可能改变艺术本质，甚至取代人类艺术家。库达表示，虽然技术在进步，但艺术不应被机器主导，手工创作过程不可或缺。Procreate 的用户反对 AI 的引入，促使公司重视这一问题。库达强调，作为艺术工具开发公司，他们有责任维护艺术的独特性与人性。这一决定反映了数字艺术与人性之间的微妙关系，Procreate 将继续致力于为艺术家提供更好的创作工具，而非将创作交由机器。

Procreate发布反AI承诺，拒绝在其平台上使用生成式AI辅助创作，引发创意社区关注。公司认为生成式AI技术在创作中剥离了人性，可能建立在“偷窃”作品的基础上，导致“荒芜的未来”。虽然承认机器学习技术有优点，但Procreate坚持认为AI发展方向错误。艺术家们担忧AI模型未经许可使用作品进行训练，以及AI技术广泛应用可能减少就业机会。这促使部分数字插画师寻找替代方案避开采用生成式AI的软件。Procreate的这一立场反映了创意社区对生成式AI的普遍担忧，以及科技公司在平衡创新与传统创作价值观时面临的挑战。随着AI技术的不断发展，科技与艺术之间的关系及其平衡将成为持续讨论的话题。

PaddleOCR v2.8.0发布，集前沿技术、优化项目结构、解决历史问题与增强性能于一体，树立OCR领域新标准。版本亮点包括冠军算法SVTRv2与SLANet-LCNetV2，优化算法及更新，修复关键问题，引入符合PEP518规范的教程站点。感谢社区支持，PM成员与贡献者功不可没。开发者可通过访问项目地址【https://github.com/PaddlePaddle/PaddleOCR】获取更多资源与信息。

该Github项目是使用GPT模型解析PDF文件，可以完美解析PDF中的排版、数学公式、表格、图片、图表等内容，平均每页成本为$0.013。 解析PDF文件的步骤如下： 1. 使用PyMuPDF库将PDF解析为非文本区域和文本区域。

["微软在 Windows11 的 Paint 应用中新增了 Cocreator 按钮","Cocreator 图像生成 AI 功能基于 OpenAI 的 DALL-E3 模型","所有用户都能在 Microsoft Paint 中使用这一 AI 生成技术","微软通过整合 DALL-E3 的文图生成功能，将其引入多个产品中"]

{"1":"百度飞桨团队推出了基于文心大模型的通用图像关键信息抽取工具 PP-ChatOCR。","2":"PP-ChatOCR 结合了 OCR 文字识别和大模型技术，可在多种场景下提取图像中的关键信息。","3":"PP-ChatOCR 已在 PaddleX 上线，支持高性能部署，并取得了良好的精度和稳定性。"}