文件與多模態智慧21 分鐘
多模態證據系統：視覺語言模型（VLM）、圖像基礎化（Figure Grounding）與跨模態檢索（Cross-Modal Retrieval）
純文字系統一旦證據不再主要是文字，就會失效；在無障礙旅行規劃中，照片、平面圖、路線地圖、圖說和量測資料往往會共同決定答案。
Huang Tzu Lin
標籤工程技術誌
#Document Intelligence
2 篇文章
文件與多模態智慧22 分鐘
超越 OCR 的文件智慧（Document Intelligence）：版面分析、表格與證據重建
多數團隊第一次接觸文件處理，都是從 OCR 開始。問題看起來很直覺：把頁面轉成文字、為文字建索引，然後讓檢索系統或 LLM 來回答問題。
Huang Tzu Lin