donut

收录理由

常见的文档解析流程往往依赖多个独立的OCR模块，先检测和识别文字，再把结果交给版面分析或信息抽取模型，环节多、调试繁琐。Donut把这个流水线整个绕开了：它用单一的Transformer模型，直接吃进文档图像，端到端地输出结构化数据，训练过程不需要外挂任何OCR引擎。仓库里提供了用于文档分类、解析以及文档VQA的预训练权重，小团队不必自建OCR服务就能快速跑通一个可用的解析器。配套的SynthDoG还能合成贴近真实场景的训练文档，覆盖中、英、日、韩等语言，在标注数据不足时很实用。模型已经集成到Hugging Face Transformers里，后续微调和部署都能沿用熟悉的技术栈，上手成本低。