2 篇文档带有标签「VLM」

LocateAnything 扩展的开放词表视觉定位方案——基于 LocateAnything-3B 视觉语言模型，用自然语言「找 / 数」画面中的任意物体、短语定位、文字定位、GUI 元素定位与指点，支持零样本目标检测与计数，适合固定检测器不认识的类别或临时需求。

PaddleOCR-VL 扩展的 VLM 文档理解方案——通过远程 PaddleOCR-VL 1.6 推理服务实现高精度多语种 OCR、表格识别（HTML）和关键信息抽取（KIE），适合复杂版面、票据/表单结构化、拍摄扭曲文档等 paddle-ocr-v6 难以处理的场景。