以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
We present Youtu-Parsing-Omni, an omni-modal parser that converts documents, images, audio, and video into structured records grounded in space and time, providing a perception layer for agents that read, locate, and cite evidence across modalities. Its design rests on one encoder for every modality and one schema for
阅读原文 · Yunhang Shen, Zhangquan Chen, Xiaotian Li, Zhongpeng Cai, Qing Zhou, Zekai Zhang, Kun Zhang, Zezhong Wu, Jian Hu, Haihan Gao, Heting Gao, Xin Li, Yinsong Liu, Deqian Jiang, Di Yin, Haoyu Cao, Xing Sun, Bing Liu, Yanqiu Qu, Yunfei Wu, Kun Yin, Zhixiang Wei, Yongxiang Hua, Qianyu Li, Xiaoxing Hu, Peiyuan Zhang, Lijiang Li, Dong Xu, Zhenchuan Yang, Yiliang Jiang
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看的地方,是它想把“文档解析”这件事的边界推到多模态。 过去的解析器大多只处理页面图像,输出文本加坐标。Youtu-Parsing-Omni 把音频、视频也拉进来,输出的结构化记录同时带空间和时间定位。对要做 RAG、要做能引用证据的 Agent 的团队来说,这个方向直接对应真实需求。 另一个看点是它的训练方式。十个解析任务共用一套输出 sche...