近期，第八屆中國模式識別與計算機視覺學(xué)術(shù)會議（PRCV 2025）順利舉行。大會期間，“多模態(tài)文本智能大模型前沿技術(shù)與應(yīng)用”論壇（簡稱“論壇”）獲得了廣泛關(guān)注。論壇匯集了來自華南理工大學(xué)、哈爾濱工業(yè)大學(xué)、南開大學(xué)、華中科技大學(xué)、小紅書及合合信息技術(shù)團隊的頂尖專家與學(xué)者，深入探討多模態(tài)文本智能領(lǐng)域的最新技術(shù)突破與場景應(yīng)用案例。

圖說：中國圖象圖形學(xué)學(xué)會(CSIG)常務(wù)理事、華南理工大學(xué)教授金連文致辭

當前，“實戰(zhàn)”應(yīng)用標準對大模型的多模態(tài)內(nèi)容深度整合能力提出了新的要求。為解決語義割裂、場景理解局限、決策失誤等常見的模型缺陷制，合合信息在論壇期間推出“多模態(tài)文本智能技術(shù)”方案，通過文本相關(guān)空間位置理解深層語義邏輯，實現(xiàn)對多模態(tài)信息的“立體化綜合化理解”，賦予模型真正的文本“閱讀理解”能力。

針對實際應(yīng)用場景，在論壇現(xiàn)場，合合信息圖像算法研發(fā)總監(jiān)郭豐俊分享了文本智能技術(shù)的創(chuàng)新應(yīng)用，幫助用戶解決復(fù)雜場景下的文檔圖像問題。小紅書hi lab團隊算法工程師燕青結(jié)合行業(yè)實踐，分享了一款基于單視覺語言模型的多語言文檔布局解析工具“dots.ocr”。

目前，“多模態(tài)文本智能技術(shù)”方案已將文本智能認知程度從語義理解拓展到類人推理及自主機器決策，形成了從感知到認知再到?jīng)Q策的技術(shù)實現(xiàn)路徑。相較于傳統(tǒng)的文檔解析、識別系統(tǒng)，該方案讓系統(tǒng)具備了更接近人類判斷邏輯的自主決策能力，在完成對多模態(tài)信息的感知和理解后，能夠根據(jù)用戶意圖，做出正確的決策。

“多模態(tài)文本智能技術(shù)”已在金融、醫(yī)藥、教育等專業(yè)領(lǐng)域開展應(yīng)用，通過對復(fù)雜文本的精準感知、綜合理解和可靠決策，實現(xiàn)對業(yè)務(wù)流程的智能重構(gòu)。