探索DocLLM：摩根大通推出的新型文档处理语言模型
摩根大通近日推出了一款名为DocLLM的新型语言模型，专为处理具有复杂布局的文档而设计。该模型是传统大型语言模型的轻量级版本，专注于理解丰富的文档内容。与使用昂贵的图像编码器的其他模型不同，DocLLM通过文本框的位置和大小（边界框信息）来理解页面上文本的布局，这使其在处理各种布局的文档时更为高效。
关键亮点：
- DocLLM是标准大型语言模型的轻量级扩展，能够同时捕获空间布局和文本语义，而无需使用成本高昂的图像编码器。
- DocLLM提供1B和7B两种规模的版本，能够在四个未见过的数据集中，相较于Llama2--7B模型，提升15%至61%的性能。
- 在使用零样本指令的情况下，DocLLM-7B在16个数据集中的12个上超越了GPT-4和Llama2，特别擅长关键信息提取（KIE）和文档分类（CLS）任务。
技术特色：
- DocLLM优化了对视觉文档分析的方法，通过仅依赖边界框数据整合空间布局，避免了昂贵的视觉编码器的使用，使模型更加紧凑，处理时间更高效。
- 通过将标准变换器中的注意力机制重新配置为独立的矩阵，DocLLM能够在文本和空间布局之间建立独特的对齐，捕获这两个元素之间的依赖关系。
- 开发了一种专注于填充文本段落的预训练目标，使模型能够有效处理视觉文档中常见的不规则布局和多样化内容。
应用范围：
- DocLLM通过大规模指令数据集的细化预训练，覆盖了四个核心的文档智能任务：关键信息提取、自然语言推理、视觉问答和文档分类。
- 在指令调优阶段，共使用了16个具有相应OCR数据的单页和多页文档数据集。
性能对比：
- DocLLM在14个数据集中超越了当前最先进的语言模型，并且在五个先前未见过的数据集中表现良好。
- 特别是，在不同数据集的不同切分（SDDS）设置中，DocLLM-7B在使用零样本指令的情况下，在12个数据集中超越了GPT-4和Llama2。
DocLLM通过其独特的设计和优化，为处理复杂布局的文档提供了一个高效且性能卓越的新选择，尤其在关键信息提取和文档分类任务上展现了其强大的能力。