[EN] 谷歌发布ScreenAI：5B参数视觉语言模型，刷新UI与信息图理解多项基准
谷歌研究院推出ScreenAI，一个基于PaLI架构并采用pix2struct灵活分块策略的视觉语言模型，专门用于理解用户界面（UI）和信息图（图表、示意图、表格）。该模型仅5B参数，却在WebSRC、MoTIF、ChartQA、DocVQA和InfographicVQA等任务上达到同级最佳或业界领先水平，并同步开源三个新数据集。
谷歌研究院推出ScreenAI，一个基于PaLI架构并采用pix2struct灵活分块策略的视觉语言模型，专门用于理解用户界面（UI）和信息图（图表、示意图、表格）。该模型仅5B参数，却在WebSRC、MoTIF、ChartQA、DocVQA和InfographicVQA等任务上达到同级最佳或业界领先水平，并同步开源三个新数据集。