mPLUG-DocOwl 2是由阿里巴巴通义实验室mPLUG团队推出的用于多页文档理解的多模态大型语言模型。在不依赖光学字符识别（OCR）技术的情况下，通过高分辨率文档图像压缩技术，实现对文档图片的高效理解和处理。mPLUG-DocOwl 2在多页文档理解基准测试中达到了新的最高标准（SOTA），每页文档图像消耗324个token，降低显存占用和首包时间，提高处理速度。模型的训练分为三个阶段：单页预训练、多页预训练和多任务指令微调。mPLUG-DocOwl 2支持理解单页文档，还能处理多页文档中的复杂问题，如跨页内容关联和结构解析。
mPLUG-DocOwl2的主要功能多页文档理解：在不依赖OCR技术的情况下，直接从多页文档图像中提取和理解信息。高分辨率图像处理：通过高分辨率文档图像压缩模块，将每页文档图像压缩成324个视觉token，减少显存占用和首包时间。多页问答能力：回答有关多页文档内容的问题，提供详细的解释以及相关页码。文档结构解析：解析并表示多页文档的层级结构，以JSON格式输出，便于进一步的数据处理和分析。跨页内容关联：理解和关联多页文档中跨页的内容，提供跨页结构理解。高效处理：在单个A100-80G GPU上，同时处理多达60页的高清文档图片，提高处理效率。mPLUG-DocOwl2的技术原理高分辨率文档图像压缩（High-resolution DocCompressor）：基于低分辨率全局视觉特征作为指导，通过cross-attention机制将高分辨率文档图像压缩成较少的视觉token。Shape-adaptive Cropping：自适应裁剪模块根据文档的形状和大小进行切割，来适应不同页面的布局。视觉特征提取：使用视觉编码器（如ViT）提取每个切片的视觉特征，并通过H-Reducer模块进行特征合并和维度对齐。跨注意力机制：在压缩过程中，使用全局图特征作为查询，切片特征作为键值对，通过cross-attention层实现特征压缩。全局与局部视觉特征结合：结合全局视觉特征（捕捉布局信息）和局部视觉特征（保留文本和图像细节），实现更准确的文档理解。mPLUG-DocOwl2的项目地址GitHub仓库：https://github.com/X-PLUG/mPLUG-DocOwl/tree/main/DocOwl2arXiv技术论文：https://arxiv.org/pdf/2409.03420v2mPLUG-DocOwl2的应用场景法律文件分析：自动化解析法律文件和案例，提取关键信息，支持法律研究和案件准备。医疗记录管理：从医疗记录和报告中提取重要数据，支持病人护理、研究和行政管理。学术研究：帮助研究人员快速理解和总结大量文献，加速科学发现和知识创新。金融报告分析：自动化处理年度报告、财务报表和其他金融文档，提取关键财务指标和趋势。政府文档处理：自动化处理政府发布的公告、法规和政策文件，提高政府服务效率。 
