虽然多模态大模型都能挑西瓜了，但理解复杂文档方面还是差点意思。

面对文字密集、多栏混排等文档时往往力不从心，区域级别的细粒度理解，就更是无从谈起了。

最近，旷视团队打造了一支多模态大模型的“点读笔”——Fox，轻松实现对8页文档（中英混合，单栏多栏格式混合的极端场景）的交互式感知理解。

对于信息密集的PDF文档，Fox支持高可控性的细粒度理解，比如在用户感兴趣区域内进行文字识别、段落翻译以及页面内部的图片内容描述等。

论文中，团队进一步突破了对于文档的视觉感知理解的上限，高密度的信息被真正压缩，LVLM真正地“看”懂图，才能真正做好、做出能用的文档多模大模型。

正所谓“一图胜千言”—— one image token >> one text token。

接下来，看看Fox在实战中表现如何？

中英混排，单栏多栏组合都不怕

对于中英混合、单栏多栏混合的8页PDF文档，可实现任意区域的OCR：

下图左侧展示了8页文档内跨页的VQA，右侧展示了双栏中文页面的前景OCR。

双栏密集英文页面的前景OCR：

在页面内图片描述方面，Fox能给出文档内内容关联的回答（young Dual Language Learners）。

当然Fox还支持line-level OCR，以及对RoI区域的翻译、总结等。

Fox可以结合页面内文字，认识到这是一张关于global seismic hazards的图。此外，Fox还支持RoI内的latex格式转换，例如下面的table转latex。Fox还支持更加灵活的颜色引导的RoI区域OCR。

对于卡通绘本，也可以哪里不会点哪里：

电影海报和自然场景的对话问答，Fox给出了非常有趣的答案（根据电影海报下面的文字给出了角色来源）：

那么Fox是如何做到这些的呢？

多词表协同，多页面文档统一打包

在细粒度文档理解上，Fox有着三大创新：

• 精准定位

Fox引入了一系列基于位置的文本提示，如点击位置、拖动框、涂色框等。这使得模型可以直接定位到感兴趣的任意区域，而不受文档格式的限制。同时，Fox还把全页OCR重新定义为”前景聚焦”任务，进一步增强了对密集文字的感知。

• 多视觉词表协同

为了更好地理解图文混排页面，Fox采用了两个不同特长的视觉词表——CLIP主攻自然图像，Vary专攻人工文档。但单纯叠加两种数据，往往会造成视觉偏置。为此，Fox合成了大量含混合视觉元素的数据，迫使两个视觉分支充分协作。

• 页面打包

得益于高压缩率(每页1024×1024图像对应256个图像token)，Fox将多页面文档统一打包输入。这不仅让跨页面的上下文理解成为可能，也大幅降低了计算开销。值得一提的是，这种打包微调模式并不需要重新训练视觉词汇。

在这些创新基础上，Fox模型结构如图所示。

Fox支持单页/多页文档图像输入，所有图像的image token被统一到一个sequence中进行多页文档理解。团队设计了基于point、color、box的prompt，来实现在文档页面上聚焦任意位置。团队合成了图文交织的文档数据，来充分催化两个视觉词表，以更好地适用于实际文档应用场景。

此外，为了促进对文档细粒度理解的研究，作者还打造了一个中英双语的benchmark，已经开源了数据和评测代码，共包含以下9种任务：

• Page-level OCR

• Region-level OCR

• Line-level OCR

• Color-guided OCR

• Region-level translation

• Region-level summary

• In-document figure caption

• Multi-page multi-region OCR

• Cross-page VQA

最后，团队呼吁更多的研究人员能关注到细粒度的单页/多页文档理解，单页的稀疏的问答任务远远不够。

真正做好多模态大模型，视觉编码器的信息压缩率（token转化率）是非常重要的，Fox仅探究了文档这一类应用方向，希望对大家的研究有所帮助。

论文地址：https://arxiv.org/abs/2405.14295

代码地址：https://github.com/ucaslcl/Fox

项目主页：https://ucaslcl.github.io/foxhome/

文章来源于“量子位”，作者“关注前沿科技”