NVIDIA-Nemotron-Parse-2.0

Opis: NVIDIA Nemotron Parse 2.0 przekształca obrazy dokumentów w strukturalne, czytelne przez maszyny reprezentacje z tekstem, klasami układu, ramkami ograniczającymi i informacjami o kolejności czytania. Dany obraz dokumentu w kolorze czerwonym, zielonym i niebieskim (RGB) oraz polecenie zadania, model produkuje sformatowany tekst i adnotacje przestrzenne dla elementów dokumentu, takich jak tytuły, akapity, podpisy, tabele, wykresy, nagłówki stron, stopki, przypisy, obrazy i wpisy bibliograficzne. W porównaniu do NVIDIA Nemotron Parse v1.2, NVIDIA Nemotron Parse 2.0 dodaje około 20k-tokenową ekspansję słownictwa dla bardziej efektywnego wsparcia wielojęzycznego, analizę dokumentów z wykresami z tokenem class oraz zaktualizowane pokrycie treningowe dla dokumentów bogatych w wykresy/tabele. NVIDIA Nemotron Parse 2.0 jest przeznaczony do zrozumienia dokumentów, pozyskiwania informacji, ekstrakcji danych i wielomodalnych procesów kuracji danych. Ten model jest gotowy do użytku komercyjnego lub niekomercyjnego. Licencja/Warunki użytkowania: Obowiązujące warunki: Twoje korzystanie z tego modelu jest regulowane przez Umowę Licencyjną NVIDIA Open Model. Użycie tokenizera zawartego w tym modelu jest regulowane przez licencję CC-BY-4.0. Przypadek użycia: NVIDIA Nemotron Parse 2.0 jest zaprojektowany dla deweloperów i zespołów budujących inteligencję dokumentów, generację wspomaganą wyszukiwaniem (RAG), kuratorów, ekstraktorów i aplikacje AI agentowe. Może być używany do konwersji zeskanowanych lub renderowanych plików PDF, slajdów prezentacji, formularzy, raportów, tabel i stron dokumentów o mieszanej zawartości w strukturalne wyjścia do późniejszego indeksowania, wyszukiwania, analityki, tworzenia danych treningowych dla modeli oraz przeglądów przez ludzi. Najważniejsze cechy:

• Rozszerzone wsparcie dla wielojęzycznego OCR, z istotnymi zyskami w przypadku tekstów dokumentów w językach CJK i skryptach indyjskich.
• Ulepszona ekstrakcja tekstu ręcznie pisanego dla stron dokumentów zawierających nieformalne, ręcznie pisane lub przypominające notatki treści.
• Analiza wykresów do tabel, która może identyfikować obszary wykresów i przekształcać widoczne informacje wykresu w strukturalny tekst do późniejszego wykorzystania.
• Ulepszona obsługa tabel, w tym silniejsze wykrywanie tabel, odzyskiwanie struktury i ekstrakcja tekstu w dokumentach bogatych w tabele. Data wydania:

Hugging Face 3 sierpnia 2026 poprzez URL Odniesienia:

• Dokumentacja Hugging Face Transformers mBART
• Architektura modelu NVIDIA C-RADIO:

Typ architektury: model oparty na transformatorze z kodowaniem wizji i dekodowaniem.