ทีม Typhoon จาก SCB 10X เปิดตัวโมเดล OCR สำหรับดึงข้อมูลจากรูปภาพและเอกสาร PDF ชื่อ Typhoon OCR ชูจุดเด่นเข้าใจทั้งภาษาไทยและภาษาอังกฤษ โดยมีประสิทธิภาพในภาษาไทยที่เหนือกว่า GPT-4o และ Gemini 2.5 Flash
โดยเบื้องหลังใช้สถาปัตยกรรมเป็น Vision Language Model (VLM) ซึ่งเข้าใจทั้งภาษาและรูปภาพ ขนาด 7 พันล้านพารามิเตอร์ พัฒนาต่อยอดจาก Qwen2.5-VL-7B-Instruct และได้รับแรงบันดาลใจจากแนวทางอย่าง olmOCR ซึ่งร่วมใช้ข้อมูล metadata จากไฟล์ PDF ในระหว่างการดึงข้อมูล
Typhoon OCR รองรับการดึงข้อมูลจากเอกสารที่มีความซับซ้อนอย่างงบการเงิน อินโฟกราฟิก และเอกสารราชการได้ รวมถึงรองรับตัวเลขไทย
สำหรับผู้ที่สนใจใช้ Typhoon OCR สามารถทดลองใช้ได้ผ่านหลากหลายช่องทาง เช่น
- Online demo: https://ocr.opentyphoon.ai
- API: Typhoon API
- HuggingFace: scb10x/typhoon-ocr-7b
- GitHub: typhoon-ocr
ที่มา — Typhoon Blog
on
เอาข่าวขึ้นแล้วนะครับ…
lew Tue, 20/05/2025 - 23:52
เอาข่าวขึ้นแล้วนะครับ ขอเพิ่มภาพตัวอย่างการทำงานเพื่อให้เห็นภาพยิ่งขึ้นครับ
ภาพต้นฉบับ
เร็วมาก เหมือนว่า qwen 2.5…
Fzo Wed, 21/05/2025 - 03:07
เร็วมาก เหมือนว่า qwen 2.5 vl เพิ่งมาไม่กี่วันเอง