Hugging Face 发布 Falcon 感知模型和 OCR
hugging face 发布了 falcon perception，这是一个用于视觉任务的统一 transformer 架构，以及 0.3b 参数的 falcon ocr 模型。falcon ocr 在 olmocr 上得分 80.3，在 omnidocbench 上得分 88.6，实现了目前所有开源 ocr 模型中的最高吞吐量。该架构使用早期融合和感知链来处理密集预测，无需模块化流水线。
Hugging Face 发布了 Falcon Perception，这是一个用于感知任务的开源早期融合 Transformer 架构，以及 Falcon OCR。Falcon OCR 是一个 0.3B 参数的模型，在 olmOCR 基准测试中获得了 80.3 分，在 OmniDocBench 中获得了 88.6 分。Hugging Face 表示，该模型的吞吐量是目前所有开源 OCR 模型中最高的。
Falcon Perception 架构放弃了模块化管道，而是采用单一自回归主干。它采用混合注意力掩码，其中图像 token 双向关注，而文本 token 因果关注。该系统使用“感知链”（Chain-of-Perception）方法，将密集预测分解为三个顺序步骤：坐标、大小和分割掩码。